Hive SQL执行流程分析
转自 http://www.tuicool.com/articles/qyUzQj
最近在研究Impala，还是先回顾下Hive的SQL执行流程吧。
Hive有三种用户接口：
| cli (Command line interface) | bin/hive或bin/hive –service cli | 命令行方式（默认） |
| hive-server/hive-server2 | bin/hive –service hiveserver 或bin/hive –service hiveserver2 | 通过JDBC/ODBC和Thrift访问（Impala通过这种方式借用hive-metastore） |
| hwi (Hive web interface) | bin/hive –service hwi | 通过浏览器访问 |
在hive shell中输入“show tables;”实际执行的是：
bin/hadoop jar hive/lib/hive-cli-0.9.0.jar org.apache.hadoop.hive.cli.CliDriver -e 'SHOW TABLES;'
CLI入口函数：cli.CliDriver.main()
读入参数->建立SessionState并导入配置->处理输入文件中指令CliDriver.processFile()；或交互型指令CliDriver.processLine()->解析输入CliDriver.processCmd()
(1) 如果是quit或者exit，退出
(2) 以source开头的，读取外部文件并执行文件中的HiveQL
(3) ！开头的命令，执行操作系统命令（如!ls，列出当前目录的文件信息）
(4) list，列出jar/file/archive
(5) 其他命令，则生成调用相应的CommandProcessor处理，进入CliDriver.processLocalCmd()
CliDriver.processLocalCmd()
set/dfs/add/delete指令交给指定的CommandProcessor处理，其余的交给org.apache.hadoop.hive.ql.Driver.run()
org.apache.hadoop.hive.ql.Driver类是查询的起点，run()方法会先后调用compile()和execute()两个函数来完成查询，所以一个command的查询分为compile和execute两个阶段。
Compile
(1)利用antlr生成的HiveLexer.java和HiveParser.java类，将HiveQL转换成抽象语法树（AST）。
首先使用antlr工具将srcqlsrcjavaorgapachehadoophiveqlparsehive.g编译成以下几个文件：HiveParser.java, Hive.tokens, Hive__.g, HiveLexer.java
HiveLexer.java和HiveParser.java分别是词法和语法分析类文件，Hive__.g是HiveLexer.java对应的词法分析规范，Hive.tokens定义了词法分析后所有的token。
然后沿着“Driver.compile()->ParseDriver.parse(command, ctx)->HiveParserX.statement()->antlr中的API”这个调用关系把输入的HiveQL转化成ASTNode类型的语法树。HiveParserX是由antlr生成的HiveParser类的子类。
(2)利用对应的SemanticAnalyzer类，将AST树转换成Map-reduce task
a) AST -> Operator DAG
b) 优化Operator DAG
c) Oprator DAG -> Map-reduce task
首先接着上一步生成的语法树ASTNode， SemanticAnalyzerFactory会根据ASTNode的token类型生成不同的SemanticAnalyzer (所有这些SemanticAnalyzer都继承自BaseSemanticAnalyzer)
1) ExplainSemanticAnalyzer
2) LoadSemanticAnalyzer
3) ExportSemanticAnalyzer
4) DDLSemanticAnalyzer
5) FunctionSemanticAnalyzer
6) SemanticAnalyzer
然后调用BaseSemanticAnalyzer.analyze()->BaseSemanticAnalyzer. analyzeInternal()。
下面以最常见的select * from table类型的查询为例，进入的子类是SemanticAnalyzer. analyzeInternal()，这个函数的逻辑如下：
1) doPhase1()：将sql语句中涉及到的各种信息存储起来，存到QB中去，留着后面用。
2) getMetaData()：获取元数据信息，主要是sql中涉及到的 表 和 元数据 的关联
3) genPlan()：生成operator tree/DAG
4) optimize：优化，对operator tree/DAG 进行一些优化操作，例如列剪枝等（目前只能做rule-based optimize，不能做cost-based optimize）
5) genMapRedTasks()：将operator tree/DAG 通过一定的规则生成若干相互依赖的MR任务
Execute
将Compile阶段生成的task信息序列化到plan.xml，然后启动map-reduce，在configure时反序列化plan.xml
实例分析：
在hive中有这样一张表：
|
uid |
fruit_name |
count |
|
a |
apple |
5 |
|
a |
orange |
3 |
|
a |
apple |
2 |
|
b |
banana |
1 |
执行如下的查询：
SELECT uid, SUM(count) FROM logs GROUP BY uid
通过explain命令可以查看执行计划：
EXPLAIN SELECT uid, SUM(count) FROM logs GROUP BY uid;
依照hive.g的语法规则，生成AST如下
ABSTRACT SYNTAX TREE:
(
TOK_QUERY
(TOK_FROM (TOK_TABREF (TOK_TABNAME logs)))
(
TOK_INSERT
(TOK_DESTINATION (TOK_DIR TOK_TMP_FILE))
(
TOK_SELECT
(TOK_SELEXPR (TOK_TABLE_OR_COL uid))
(TOK_SELEXPR (TOK_FUNCTION sum (TOK_TABLE_OR_COL count)))
)
(TOK_GROUPBY (TOK_TABLE_OR_COL uid))
)
)
生成的执行计划operator tree/DAG如下：
STAGE DEPENDENCIES:
Stage-1 is a root stage
Stage-0 is a root stage
STAGE PLANS:
Stage: Stage-1
Map Reduce
Alias -> Map Operator Tree:
logs
TableScan // 扫描表
alias: logs
Select Operator //选择字段
expressions:
expr: uid
type: string
expr: count
type: int
outputColumnNames: uid, count
Group By Operator //在map端先做一次聚合，减少shuffle数据量
aggregations:
expr: sum(count) //聚集函数
bucketGroup: false
keys:
expr: uid
type: string
mode: hash
outputColumnNames: _col0, _col1
Reduce Output Operator //输出key，value给reduce
key expressions:
expr: _col0
type: string
sort order: +
Map-reduce partition columns:
expr: _col0
type: string
tag: -1
value expressions:
expr: _col1
type: bigint
Reduce Operator Tree:
Group By Operator
aggregations:
expr: sum(VALUE._col0) //聚合
bucketGroup: false
keys:
expr: KEY._col0
type: string
mode: mergepartial
outputColumnNames: _col0, _col1
Select Operator //选择字段
expressions:
expr: _col0
type: string
expr: _col1
type: bigint
outputColumnNames: _col0, _col1
File Output Operator //输出到文件
compressed: false
GlobalTableId: 0
table:
input format: org.apache.hadoop.mapred.TextInputFormat
output format: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat
Stage: Stage-0
Fetch Operator
limit: -1
Hive优化策略：
1. 去除查询中不需要的column
2. Where条件判断等在TableScan阶段就进行过滤
3. 利用Partition信息，只读取符合条件的Partition
4. Map端join，以大表作驱动，小表载入所有mapper内存中
5. 调整Join顺序，确保以大表作为驱动表
6. 对于数据分布不均衡的表Group by时，为避免数据集中到少数的reducer上，分成两个map-reduce阶段。第一个阶段先用Distinct列进行shuffle，然后在reduce端部分聚合，减小数据规模，第二个map-reduce阶段再按group-by列聚合。
7. 在map端用hash进行部分聚合，减小reduce端数据处理规模。
参考文献：
http://fatkun.com/2013/01/hive-group-by.html
