Hive 高级应用(三)之 Hive 执行过程实例分析
- 1、Hive 执行过程概述
- 1.1、Hive 操作符列表
- 1.2、Hive 编译器的工作职责
- 1.3、优化器类型
- 2、Join
- 2.1、实现过程
- 2.2、具体实现过程
- 3、Group By
- 3.1、具体实现过程
- 4、Distinct
- 4.1、实现过程
- 5、学习内容
1、Hive 执行过程概述
(1)Hive 将 HQL 转换成一组操作符(Operator),比如 GroupByOperator, JoinOperator 等;
(2)操作符 Operator 是 Hive 的最小处理单元;
(3)每个操作符代表一个 HDFS 操作或者 MapReduce 作业;
(4)Hive 通过 ExecMapper 和 ExecReducer 执行 MapReduce 程序,执行模式有本地模式和分布式两种模式。
1.1、Hive 操作符列表
操作符 | 描述 |
TableScanOperator | 扫描 hive 表数据 |
ReduceSinkOperator | 创建将发送到 Reduce 端的 <Key, Value> 对 |
JoinOperator | join 两份数据 |
SelectOperator | 选择输出列 |
FileSinkOperator | 建立结果数据,输出至文件 |
FilterOperator | 过滤输入数据 |
GroupByOperator | group by 语句 |
MapJoinOperator | /* + mapjoin(t) */ |
LimitOperator | Limit 语句 |
Unoin | Union 语句 |
1.2、Hive 编译器的工作职责
(1)Parser:将 HQL 语句转换成抽象语法树(AST:Abstract Syntax Tree);
(2)Semantic Analyzer:将抽象语法树转换成查询块;
(3)Logic Plan Generator:将查询块转换成逻辑查询计划;
(4)Logic Optimizer:重写逻辑查询计划,优化逻辑执行计划;
(5)Physical Plan Gernerator:将逻辑计划转化成物理计划(MapReduce Jobs);
(6)Physical Optimizer:选择最佳的 Join 策略,优化物理执行计划。
1.3、优化器类型
名称 | 作用 |
② SimpleFetchOptimizer | 优化没有 Group By 表达式的聚合查询 |
② MapJoinProcessor | MapJoin,需要 SQL 中提供 hint,0.11 版本已不用 |
② BucketMapJoinOptimizer | BucketMapJoin |
② GroupByOptimizer | Map 端聚合 |
① ReduceSinkDeDuplication | 合并线性的 OperatorTree 中 partition/sort key 相同的 reduce |
① PredicatePushDown | 谓词前置 |
① CorrelationOptimizer | 利用查询中的相关性,合并有相关性的 Job,HIVE-2206 |
ColumnPruner | 字段剪枝 |
上表中带 ① 符号的,优化目的都是尽量将任务合并到一个 Job 中,以减少 Job 数量,带 ② 的优化目的是尽量减少 shuffle 数据量。
2、Join
对于 join 操作:
SELECT pv.pageid, u.age FROM page_view pv
JOIN user u ON pv.userid = u.userid;
2.1、实现过程
(1)Map:
A、以 JOIN ON 条件中的列作为 Key,如果有多个列,则 Key 是这些列的组合;
B、以 JOIN 之后所关心的列作为 Value,当有多个列时,Value 是这些列的组合。在 Value 中还会包含表的 Tag 信息,用于标明此 Value 对应于哪个表;
C、按照 Key 进行排序。
(2)Shuffle:
A、根据 Key 的值进行 Hash,并将 Key/Value 对按照 Hash 值推至不同对 Reduce 中。
(3)Reduce:
A、Reducer 根据 Key 值进行 Join 操作,并且通过 Tag 来识别不同的表中的数据。
2.2、具体实现过程
3、Group By
对于 group by:
SELECT pageid, age, count(1) FROM pv_users
GROUP BY pageid, age;
3.1、具体实现过程
4、Distinct
对于 distinct:
SELECT age, count(distinct pageid) FROM pv_users
GROUP BY age;
按照 age 分组,然后统计每个分组里面的不重复的 pageid 有多少个???
4.1、实现过程
详细过程解释:
该 SQL 语句会按照 age 和 pageid 预先分组,进行 distinct 操作。然后会再按照 age 进行分组,再进行一次 distinct 操作。
5、学习内容
上节学习内容:Hive 高级应用(二)之 Hive 数据倾斜 下节学习内容:Hive 高级应用(四)之 Hive 优化策略