Hive SQL執行流程分析

轉自 http://www.tuicool.com/articles/qyUzQj 

最近在研究Impala，仍是先回顧下Hive的SQL執行流程吧。

Hive有三種用戶接口：

cli (Command line interface)	bin/hive或bin/hive –service cli	命令行方式（默認）
hive-server/hive-server2	bin/hive –service hiveserver 或bin/hive –service hiveserver2	經過JDBC/ODBC和Thrift訪問（Impala經過這種方式借用hive-metastore）
hwi (Hive web interface)	bin/hive –service hwi	經過瀏覽器訪問

在hive shell中輸入「show tables;」實際執行的是：

bin/hadoop jar hive/lib/hive-cli-0.9.0.jar org.apache.hadoop.hive.cli.CliDriver -e 'SHOW TABLES;'

CLI入口函數：cli.CliDriver.main()

讀入參數->創建SessionState並導入配置->處理輸入文件中指令CliDriver.processFile()；或交互型指令CliDriver.processLine()->解析輸入CliDriver.processCmd()

(1)    若是是quit或者exit，退出

(2)    以source開頭的，讀取外部文件並執行文件中的HiveQL

(3)    ！開頭的命令，執行操做系統命令（如!ls，列出當前目錄的文件信息）

(4)    list，列出jar/file/archive

(5)    其餘命令，則生成調用相應的CommandProcessor處理，進入CliDriver.processLocalCmd()

CliDriver.processLocalCmd()

set/dfs/add/delete指令交給指定的CommandProcessor處理，其他的交給org.apache.hadoop.hive.ql.Driver.run()

org.apache.hadoop.hive.ql.Driver類是查詢的起點，run()方法會前後調用compile()和execute()兩個函數來完成查詢，因此一個command的查詢分爲compile和execute兩個階段。

Compile

(1)利用antlr生成的HiveLexer.java和HiveParser.java類，將HiveQL轉換成抽象語法樹（AST）。

首先使用antlr工具將srcqlsrcjavaorgapachehadoophiveqlparsehive.g編譯成如下幾個文件：HiveParser.java, Hive.tokens, Hive__.g, HiveLexer.java

HiveLexer.java和HiveParser.java分別是詞法和語法分析類文件，Hive__.g是HiveLexer.java對應的詞法分析規範，Hive.tokens定義了詞法分析後全部的token。

而後沿着「Driver.compile()->ParseDriver.parse(command, ctx)->HiveParserX.statement()->antlr中的API」這個調用關係把輸入的HiveQL轉化成ASTNode類型的語法樹。HiveParserX是由antlr生成的HiveParser類的子類。

(2)利用對應的SemanticAnalyzer類，將AST樹轉換成Map-reduce task

a)         AST -> Operator DAG

b)        優化Operator DAG

c)         Oprator DAG -> Map-reduce task

首先接着上一步生成的語法樹ASTNode， SemanticAnalyzerFactory會根據ASTNode的token類型生成不一樣的SemanticAnalyzer (全部這些SemanticAnalyzer都繼承自BaseSemanticAnalyzer)

1)      ExplainSemanticAnalyzer

2)      LoadSemanticAnalyzer

3)      ExportSemanticAnalyzer

4)      DDLSemanticAnalyzer

5)      FunctionSemanticAnalyzer

6)      SemanticAnalyzer

而後調用BaseSemanticAnalyzer.analyze()->BaseSemanticAnalyzer. analyzeInternal()。

下面以最多見的select * from table類型的查詢爲例，進入的子類是SemanticAnalyzer. analyzeInternal()，這個函數的邏輯以下：

1)      doPhase1()：將sql語句中涉及到的各類信息存儲起來，存到QB中去，留着後面用。

2)      getMetaData()：獲取元數據信息，主要是sql中涉及到的 表 和 元數據 的關聯

3)      genPlan()：生成operator tree/DAG

4)      optimize：優化，對operator tree/DAG 進行一些優化操做，例如列剪枝等（目前只能作rule-based optimize，不能作cost-based optimize）

5)      genMapRedTasks()：將operator tree/DAG 經過必定的規則生成若干相互依賴的MR任務

Execute

將Compile階段生成的task信息序列化到plan.xml，而後啓動map-reduce，在configure時反序列化plan.xml

實例分析：

在hive中有這樣一張表：

uid	fruit_name	count
a	apple	5
a	orange	3
a	apple	2
b	banana	1

執行以下的查詢：

SELECT uid, SUM(count) FROM logs GROUP BY uid

經過explain命令能夠查看執行計劃：

EXPLAIN SELECT uid, SUM(count) FROM logs GROUP BY uid;

依照hive.g的語法規則，生成AST以下

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)) ) )

生成的執行計劃operator tree/DAG以下：

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 // 掃描表
            alias: logs
            Select Operator //選擇字段 expressions: expr: uid type: string expr: count type: int outputColumnNames: uid, count Group By Operator //在map端先作一次聚合，減小shuffle數據量 aggregations: expr: sum(count) //彙集函數 bucketGroup: false keys: expr: uid type: string mode: hash outputColumnNames: _col0, _col1 Reduce Output Operator //輸出key，value給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 //選擇字段 expressions: expr: _col0 type: string expr: _col1 type: bigint outputColumnNames: _col0, _col1 File Output Operator //輸出到文件 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優化策略：

1. 去除查詢中不須要的column

2. Where條件判斷等在TableScan階段就進行過濾

3. 利用Partition信息，只讀取符合條件的Partition

4. Map端join，以大表做驅動，小表載入全部mapper內存中

5. 調整Join順序，確保以大表做爲驅動表

6. 對於數據分佈不均衡的表Group by時，爲避免數據集中到少數的reducer上，分紅兩個map-reduce階段。第一個階段先用Distinct列進行shuffle，而後在reduce端部分聚合，減少數據規模，第二個map-reduce階段再按group-by列聚合。

7. 在map端用hash進行部分聚合，減少reduce端數據處理規模。

參考文獻：

http://fatkun.com/2013/01/hive-group-by.html