Hive底層原理：explain執行計劃詳解

時間 2021-02-21

標籤 sql express apache 函數 oop 性能優化 code orm 排序欄目 Hadoop 简体版

原文原文鏈接

不懂hive中的explain，說明hive還沒入門，學會explain，可以給咱們工做中使用hive帶來極大的便利！sql

理論

本節將介紹 explain 的用法及參數介紹

HIVE提供了EXPLAIN命令來展現一個查詢的執行計劃,這個執行計劃對於咱們瞭解底層原理，hive 調優，排查數據傾斜等頗有幫助 express

使用語法以下：apache

EXPLAIN [EXTENDED|CBO|AST|DEPENDENCY|AUTHORIZATION|LOCKS|VECTORIZATION|ANALYZE] query

explain 後面能夠跟如下可選參數，注意：這幾個可選參數不是 hive 每一個版本都支持的函數

EXTENDED：加上 extended 能夠輸出有關計劃的額外信息。這一般是物理信息，例如文件名。這些額外信息對咱們用處不大
CBO：輸出由Calcite優化器生成的計劃。CBO 從 hive 4.0.0 版本開始支持
AST：輸出查詢的抽象語法樹。AST 在hive 2.1.0 版本刪除了，存在bug，轉儲AST可能會致使OOM錯誤，將在4.0.0版本修復
DEPENDENCY：dependency在EXPLAIN語句中使用會產生有關計劃中輸入的額外信息。它顯示了輸入的各類屬性
AUTHORIZATION：顯示全部的實體須要被受權執行（若是存在）的查詢和受權失敗
LOCKS：這對於瞭解系統將得到哪些鎖以運行指定的查詢頗有用。LOCKS 從 hive 3.2.0 開始支持
VECTORIZATION：將詳細信息添加到EXPLAIN輸出中，以顯示爲何未對Map和Reduce進行矢量化。從 Hive 2.3.0 開始支持
ANALYZE：用實際的行數註釋計劃。從 Hive 2.2.0 開始支持

在 hive cli 中輸入如下命令(hive 2.3.7)：oop

explain select sum(id) from test1;

獲得結果（請逐行看完，即便看不懂也要每行都看）：性能

STAGE DEPENDENCIES:
  Stage-1 is a root stage
  Stage-0 depends on stages: Stage-1

STAGE PLANS:
  Stage: Stage-1
    Map Reduce
      Map Operator Tree:
          TableScan
            alias: test1
            Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
            Select Operator
              expressions: id (type: int)
              outputColumnNames: id
              Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
              Group By Operator
                aggregations: sum(id)
                mode: hash
                outputColumnNames: _col0
                Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: NONE
                Reduce Output Operator
                  sort order:
                  Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: NONE
                  value expressions: _col0 (type: bigint)
      Reduce Operator Tree:
        Group By Operator
          aggregations: sum(VALUE._col0)
          mode: mergepartial
          outputColumnNames: _col0
          Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: NONE
          File Output Operator
            compressed: false
            Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: NONE
            table:
                input format: org.apache.hadoop.mapred.SequenceFileInputFormat
                output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
                serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe

  Stage: Stage-0
    Fetch Operator
      limit: -1
      Processor Tree:
        ListSink

看完以上內容有什麼感覺，是否是感受都看不懂，不要着急，下面將會詳細講解每一個參數，相信你學完下面的內容以後再看 explain 的查詢結果將遊刃有餘。優化

一個HIVE查詢被轉換爲一個由一個或多個stage組成的序列（有向無環圖DAG）。這些stage能夠是MapReduce stage，也能夠是負責元數據存儲的stage，也能夠是負責文件系統的操做（好比移動和重命名）的stage。

咱們將上述結果拆分看，先從最外層開始，包含兩個大的部分：code

stage dependencies：各個stage之間的依賴性
stage plan：各個stage的執行計劃

先看第一部分 stage dependencies ，包含兩個 stage，Stage-1 是根stage，說明這是開始的stage，Stage-0 依賴 Stage-1，Stage-1執行完成後執行Stage-0。orm

再看第二部分 stage plan，裏面有一個 Map Reduce，一個MR的執行計劃分爲兩個部分：排序

Map Operator Tree： MAP端的執行計劃樹
Reduce Operator Tree： Reduce端的執行計劃樹

這兩個執行計劃樹裏面包含這條sql語句的 operator：

map端第一個操做確定是加載表，因此就是 TableScan 表掃描操做，常見的屬性：
- alias：表名稱
- Statistics：表統計信息，包含表中數據條數，數據大小等
Select Operator：選取操做，常見的屬性：
- expressions：須要的字段名稱及字段類型
- outputColumnNames：輸出的列名稱
- Statistics：表統計信息，包含表中數據條數，數據大小等
Group By Operator：分組聚合操做，常見的屬性：
- aggregations：顯示聚合函數信息
- mode：聚合模式，值有 hash：隨機聚合，就是hash partition；partial：局部聚合；final：最終聚合
- keys：分組的字段，若是沒有分組，則沒有此字段
- outputColumnNames：聚合以後輸出列名
- Statistics：表統計信息，包含分組聚合以後的數據條數，數據大小等
Reduce Output Operator：輸出到reduce操做，常見屬性：
- sort order：值爲空不排序；值爲 + 正序排序，值爲 - 倒序排序；值爲 +- 排序的列爲兩列，第一列爲正序，第二列爲倒序
Filter Operator：過濾操做，常見的屬性：
- predicate：過濾條件，如sql語句中的where id>=1，則此處顯示(id >= 1)
Map Join Operator：join 操做，常見的屬性：
- condition map：join方式，如Inner Join 0 to 1 Left Outer Join0 to 2
- keys: join 的條件字段
- outputColumnNames： join 完成以後輸出的字段
- Statistics： join 完成以後生成的數據條數，大小等
File Output Operator：文件輸出操做，常見的屬性
- compressed：是否壓縮
- table：表的信息，包含輸入輸出文件格式化方式，序列化方式等
Fetch Operator 客戶端獲取數據操做，常見的屬性：
- limit，值爲 -1 表示不限制條數，其餘值爲限制的條數

好，學到這裏再翻到上面 explain 的查詢結果，是否是感受基本都能看懂了。

實踐

本節介紹 explain 可以爲咱們在生產實踐中帶來哪些便利及解決咱們哪些迷惑

1. join 語句會過濾 null 的值嗎？

如今，咱們在hive cli 輸入如下查詢計劃語句

select a.id,b.user_name from test1 a join test2 b on a.id=b.id;

問：上面這條 join 語句會過濾 id 爲 null 的值嗎

執行下面語句：

explain select a.id,b.user_name from test1 a join test2 b on a.id=b.id;

咱們來看結果 (爲了適應頁面展現，僅截取了部分輸出信息)：

TableScan
 alias: a
 Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
 Filter Operator
    predicate: id is not null (type: boolean)
    Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
    Select Operator
        expressions: id (type: int)
        outputColumnNames: _col0
        Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
        HashTable Sink Operator
           keys:
             0 _col0 (type: int)
             1 _col0 (type: int)
 ...

從上述結果能夠看到 predicate: id is not null 這樣一行，**說明 join 時會自動過濾掉關聯字段爲 null
值的狀況，但 left join 或 full join 是不會自動過濾的**，你們能夠自行嘗試下。

2. group by 分組語句會進行排序嗎？

看下面這條sql

select id,max(user_name) from test1 group by id;

問：group by 分組語句會進行排序嗎

直接來看 explain 以後結果 (爲了適應頁面展現，僅截取了部分輸出信息)

TableScan
    alias: test1
    Statistics: Num rows: 9 Data size: 108 Basic stats: COMPLETE Column stats: NONE
    Select Operator
        expressions: id (type: int), user_name (type: string)
        outputColumnNames: id, user_name
        Statistics: Num rows: 9 Data size: 108 Basic stats: COMPLETE Column stats: NONE
        Group By Operator
           aggregations: max(user_name)
           keys: id (type: int)
           mode: hash
           outputColumnNames: _col0, _col1
           Statistics: Num rows: 9 Data size: 108 Basic stats: COMPLETE Column stats: NONE
           Reduce Output Operator
             key expressions: _col0 (type: int)
             sort order: +
             Map-reduce partition columns: _col0 (type: int)
             Statistics: Num rows: 9 Data size: 108 Basic stats: COMPLETE Column stats: NONE
             value expressions: _col1 (type: string)
 ...

咱們看 Group By Operator，裏面有 keys: id (type: int) 說明按照 id 進行分組的，再往下看還有 sort order: + ，說明是按照 id 字段進行正序排序的。

3. 哪條sql執行效率高呢？

觀察兩條sql語句

SELECT
    a.id,
    b.user_name
FROM
    test1 a
JOIN test2 b ON a.id = b.id
WHERE
    a.id > 2;

SELECT
    a.id,
    b.user_name
FROM
    (SELECT * FROM test1 WHERE id > 2) a
JOIN test2 b ON a.id = b.id;

這兩條sql語句輸出的結果是同樣的，可是哪條sql執行效率高呢
有人說第一條sql執行效率高，由於第二條sql有子查詢，子查詢會影響性能
有人說第二條sql執行效率高，由於先過濾以後，在進行join時的條數減小了，因此執行效率就高了

到底哪條sql效率高呢，咱們直接在sql語句前面加上 explain，看下執行計劃不就知道了嘛

在第一條sql語句前加上 explain，獲得以下結果

hive (default)> explain select a.id,b.user_name from test1 a join test2 b on a.id=b.id where a.id >2;
OK
Explain
STAGE DEPENDENCIES:
  Stage-4 is a root stage
  Stage-3 depends on stages: Stage-4
  Stage-0 depends on stages: Stage-3

STAGE PLANS:
  Stage: Stage-4
    Map Reduce Local Work
      Alias -> Map Local Tables:
        $hdt$_0:a
          Fetch Operator
            limit: -1
      Alias -> Map Local Operator Tree:
        $hdt$_0:a
          TableScan
            alias: a
            Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
            Filter Operator
              predicate: (id > 2) (type: boolean)
              Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
              Select Operator
                expressions: id (type: int)
                outputColumnNames: _col0
                Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
                HashTable Sink Operator
                  keys:
                    0 _col0 (type: int)
                    1 _col0 (type: int)

  Stage: Stage-3
    Map Reduce
      Map Operator Tree:
          TableScan
            alias: b
            Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
            Filter Operator
              predicate: (id > 2) (type: boolean)
              Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
              Select Operator
                expressions: id (type: int), user_name (type: string)
                outputColumnNames: _col0, _col1
                Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
                Map Join Operator
                  condition map:
                       Inner Join 0 to 1
                  keys:
                    0 _col0 (type: int)
                    1 _col0 (type: int)
                  outputColumnNames: _col0, _col2
                  Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
                  Select Operator
                    expressions: _col0 (type: int), _col2 (type: string)
                    outputColumnNames: _col0, _col1
                    Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
                    File Output Operator
                      compressed: false
                      Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
                      table:
                          input format: org.apache.hadoop.mapred.SequenceFileInputFormat
                          output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
                          serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
      Local Work:
        Map Reduce Local Work

  Stage: Stage-0
    Fetch Operator
      limit: -1
      Processor Tree:
        ListSink

在第二條sql語句前加上 explain，獲得以下結果

hive (default)> explain select a.id,b.user_name from(select * from  test1 where id>2 ) a join test2 b on a.id=b.id;
OK
Explain
STAGE DEPENDENCIES:
  Stage-4 is a root stage
  Stage-3 depends on stages: Stage-4
  Stage-0 depends on stages: Stage-3

STAGE PLANS:
  Stage: Stage-4
    Map Reduce Local Work
      Alias -> Map Local Tables:
        $hdt$_0:test1
          Fetch Operator
            limit: -1
      Alias -> Map Local Operator Tree:
        $hdt$_0:test1
          TableScan
            alias: test1
            Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
            Filter Operator
              predicate: (id > 2) (type: boolean)
              Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
              Select Operator
                expressions: id (type: int)
                outputColumnNames: _col0
                Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
                HashTable Sink Operator
                  keys:
                    0 _col0 (type: int)
                    1 _col0 (type: int)

  Stage: Stage-3
    Map Reduce
      Map Operator Tree:
          TableScan
            alias: b
            Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
            Filter Operator
              predicate: (id > 2) (type: boolean)
              Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
              Select Operator
                expressions: id (type: int), user_name (type: string)
                outputColumnNames: _col0, _col1
                Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
                Map Join Operator
                  condition map:
                       Inner Join 0 to 1
                  keys:
                    0 _col0 (type: int)
                    1 _col0 (type: int)
                  outputColumnNames: _col0, _col2
                  Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
                  Select Operator
                    expressions: _col0 (type: int), _col2 (type: string)
                    outputColumnNames: _col0, _col1
                    Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
                    File Output Operator
                      compressed: false
                      Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
                      table:
                          input format: org.apache.hadoop.mapred.SequenceFileInputFormat
                          output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
                          serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
      Local Work:
        Map Reduce Local Work

  Stage: Stage-0
    Fetch Operator
      limit: -1
      Processor Tree:
        ListSink

你們有什麼發現，除了表別名不同，其餘的執行計劃徹底同樣，都是先進行 where 條件過濾，在進行 join 條件關聯。說明 hive 底層會自動幫咱們進行優化，因此這兩條sql語句執行效率是同樣的。