问题导读:

    1.什么是Hive?
    2.MapReduce框架实现SQL基本操作的原理是什么?
    3.Hive怎样实现SQL的词法和语法解析?

    Hive是基于Hadoop的一个数据仓库系统,在各大公司都有广泛的应用。美团数据仓库也是基于Hive搭建,每天执行近万次的Hive ETL计算流程,负责每天数百GB的数据存储和分析。Hive的稳定性和性能对我们的数据分析非常关键。

    在几次升级Hive的过程中,我们遇到了一些大大小小的问题。通过向社区的 咨询和自己的努力,在解决这些问题的同时我们对Hive将SQL编译为MapReduce的过程有了比较深入的理解。对这一过程的理解不仅帮助我们解决了 一些Hive的bug,也有利于我们优化Hive SQL,提升我们对Hive的掌控力,同时有能力去定制一些需要的功能。

    MapReduce实现基本SQL操作的原理

    详细讲解SQL编译为MapReduce之前,我们先来看看MapReduce框架实现SQL基本操作的原理

    Join的实现原理
    select u.name, o.orderid from order o join user u on o.uid = u.uid;

    在map的输出value中为不同表的数据打上tag标记,在reduce阶段根据tag判断数据来源。MapReduce的过程如下(这里只是说明最基本的Join的实现,还有其他的实现方式)

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图1

    Group By的实现原理
    select rank, isonline, count(*) from city group by rank, isonline;

    将GroupBy的字段组合为map的输出key值,利用MapReduce的排序,在reduce阶段保存LastKey区分不同的key。MapReduce的过程如下(当然这里只是说明Reduce端的非Hash聚合过程)

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图2

    Distinct的实现原理
    select dealid, count(distinct uid) num from order group by dealid;

    当只有一个distinct字段时,如果不考虑Map阶段的Hash GroupBy,只需要将GroupBy字段和Distinct字段组合为map输出key,利用mapreduce的排序,同时将GroupBy字段作 为reduce的key,在reduce阶段保存LastKey即可完成去重

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图3

    如果有多个distinct字段呢,如下面的SQL

    select dealid, count(distinct uid), count(distinct date) from order group by dealid;

    实现方式有两种:

    (1)如果仍然按照上面一个distinct字段的方法,即下图这种实现方式,无法跟据uid和date分别排序,也就无法通过LastKey去重,仍然需要在reduce阶段在内存中通过Hash去重

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图4

    (2)第二种实现方式,可以对所有的distinct字段编号,每行数据生成n行数据,那么相同字段就会分别排序,这时只需要在reduce阶段记录LastKey即可去重。

    这种实现方式很好的利用了MapReduce的排序,节省了reduce阶段去重的内存消耗,但是缺点是增加了shuffle的数据量。

    需要注意的是,在生成reduce value时,除第一个distinct字段所在行需要保留value值,其余distinct数据行value字段均可为空。

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图5
    SQL转化为MapReduce的过程

    了解了MapReduce实现SQL基本操作之后,我们来看看Hive是如何将SQL转化为MapReduce任务的,整个编译过程分为六个阶段:

    • Antlr定义SQL的语法规则,完成SQL词法,语法解析,将SQL转化为抽象语法树AST Tree
    • 遍历AST Tree,抽象出查询的基本组成单元QueryBlock
    • 遍历QueryBlock,翻译为执行操作树OperatorTree
    • 逻辑层优化器进行OperatorTree变换,合并不必要的ReduceSinkOperator,减少shuffle数据量
    • 遍历OperatorTree,翻译为MapReduce任务
    • 物理层优化器进行MapReduce任务的变换,生成最终的执行计划

    下面分别对这六个阶段进行介绍

    Phase1 SQL词法,语法解析
    Antlr

    Hive使用Antlr实现SQL的词法和语法解析。Antlr是一种语言识别的工具,可以用来构造领域语言。
    这里不详细介绍Antlr,只需要了解使用Antlr构造特定的语言只需要编写一个语法文件,定义词法和语法替换规则即可,Antlr完成了词法分析、语法分析、语义分析、中间代码生成的过程。

    Hive中语法规则的定义文件在0.10版本以前是Hive.g一个文件,随着语法规则越来越复杂,由语法规则生成的Java解析类可能超过Java类文 件的最大上限,0.11版本将Hive.g拆成了5个文件,词法规则HiveLexer.g和语法规则的4个文件 SelectClauseParser.g,FromClauseParser.g,IdentifiersParser.g,HiveParser.g。

    抽象语法树AST Tree

    经过词法和语法解析后,如果需要对表达式做进一步的处理,使用 Antlr 的抽象语法树语法Abstract Syntax Tree,在语法分析的同时将输入语句转换成抽象语法树,后续在遍历语法树时完成进一步的处理。

    下面的一段语法是Hive SQL中SelectStatement的语法规则,从中可以看出,SelectStatement包含select, from, where, groupby, having, orderby等子句。
    (在下面的语法规则中,箭头表示对于原语句的改写,改写后会加入一些特殊词标示特定语法,比如TOK_QUERY标示一个查询块)

    [mw_shl_code=sql,true]selectStatement
    :
    selectClause
    fromClause
    whereClause?
    groupByClause?
    havingClause?
    orderByClause?
    clusterByClause?
    distributeByClause?
    sortByClause?
    limitClause? -> ^(TOK_QUERY fromClause ^(TOK_INSERT ^(TOK_DESTINATION ^(TOK_DIR TOK_TMP_FILE))
    selectClause whereClause? groupByClause? havingClause? orderByClause? clusterByClause?
    distributeByClause? sortByClause? limitClause?))
    ;[/mw_shl_code]

    样例SQL

    为了详细说明SQL翻译为MapReduce的过程,这里以一条简单的SQL为例,SQL中包含一个子查询,最终将数据写入到一张表中

    [mw_shl_code=sql,true]FROM
    (
    SELECT
    p.datekey datekey,
    p.userid userid,
    c.clienttype
    FROM
    detail.usersequence_client c
    JOIN fact.orderpayment p ON p.orderid = c.orderid
    JOIN default.user du ON du.userid = p.userid
    WHERE p.datekey = 20131118
    ) base
    INSERT OVERWRITE TABLE test.customer_kpi
    SELECT
    base.datekey,
    base.clienttype,
    count(distinct base.userid) buyer_count
    GROUP BY base.datekey, base.clienttype[/mw_shl_code]

    SQL生成AST Tree

    Antlr对Hive SQL解析的代码如下,HiveLexerX,HiveParser分别是Antlr对语法文件Hive.g编译后自动生成的词法解析和语法解析类,在这两个类中进行复杂的解析。
    [mw_shl_code=sql,true]HiveLexerX lexer = new HiveLexerX(new ANTLRNoCaseStringStream(command)); //词法解析,忽略关键词的大小写
    TokenRewriteStream tokens = new TokenRewriteStream(lexer);
    if (ctx != null) {
    ctx.setTokenRewriteStream(tokens);
    }
    HiveParser parser = new HiveParser(tokens); //语法解析
    parser.setTreeAdaptor(adaptor);
    HiveParser.statement_return r = null;
    try {
    r = parser.statement(); //转化为AST Tree
    } catch (RecognitionException e) {
    e.printStackTrace();
    throw new ParseException(parser.errors);
    }[/mw_shl_code]

    最终生成的AST Tree如下图右侧(使用Antlr Works生成,Antlr Works是Antlr提供的编写语法文件的编辑器),图中只是展开了骨架的几个节点,没有完全展开。
    子查询1/2,分别对应右侧第1/2两个部分。

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图6

    这里注意一下内层子查询也会生成一个TOK_DESTINATION节点。请看上面SelectStatement的语法规则,这个节点是在语法改写中特 意增加了的一个节点。原因是Hive中所有查询的数据均会保存在HDFS临时的文件中,无论是中间的子查询还是查询最终的结果,Insert语句最终会将 数据写入表所在的HDFS目录下。

    详细来看,将内存子查询的from子句展开后,得到如下AST Tree,每个表生成一个TOK_TABREF节点,Join条件生成一个“=”节点。其他SQL部分类似,不一一详述。

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图7

    Phase2 SQL基本组成单元QueryBlock

    AST Tree仍然非常复杂,不够结构化,不方便直接翻译为MapReduce程序,AST Tree转化为QueryBlock就是将SQL进一部抽象和结构化。

    QueryBlock

    QueryBlock是一条SQL最基本的组成单元,包括三个部分:输入源,计算过程,输出。简单来讲一个QueryBlock就是一个子查询。

    下图为Hive中QueryBlock相关对象的类图,解释图中几个重要的属性

    • QB#aliasToSubq(表示QB类的aliasToSubq属性)保存子查询的QB对象,aliasToSubq key值是子查询的别名
    • QB#qbp 即QBParseInfo保存一个基本SQL单元中的给个操作部分的AST Tree结构,QBParseInfo#nameToDest这个HashMap保存查询单元的输出,key的形式是inclause-i(由于Hive 支持Multi Insert语句,所以可能有多个输出),value是对应的ASTNode节点,即TOK_DESTINATION节点。类QBParseInfo其余 HashMap属性分别保存输出和各个操作的ASTNode节点的对应关系。
    • QBParseInfo#JoinExpr保存TOK_JOIN节点。QB#QBJoinTree是对Join语法树的结构化。
    • QB#qbm保存每个输入表的元信息,比如表在HDFS上的路径,保存表数据的文件格式等。
    • QBExpr这个对象是为了表示Union操作。

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图8
    AST Tree生成QueryBlock

    AST Tree生成QueryBlock的过程是一个递归的过程,先序遍历AST Tree,遇到不同的Token节点,保存到相应的属性中,主要包含以下几个过程

    • TOK_QUERY => 创建QB对象,循环递归子节点
    • TOK_FROM => 将表名语法部分保存到QB对象的TOK_INSERT => 循环递归子节点
    • TOK_DESTINATION => 将输出目标的语法部分保存在QBParseInfo对象的nameToDest属性中
    • TOK_SELECT => 分别将查询表达式的语法部分保存在destToAggregationExprs、TOK_WHERE => 将Where部分的语法保存在QBParseInfo对象的destToWhereExpr属性中

    最终样例SQL生成两个QB对象,QB对象的关系如下,QB1是外层查询,QB2是子查询

    QB1 \ QB2
    Phase3 逻辑操作符Operator

    Operator

    Hive最终生成的MapReduce任务,Map阶段和Reduce阶段均由OperatorTree组成。逻辑操作符,就是在Map阶段或者Reduce阶段完成单一特定的操作。

    基本的操作符包括TableScanOperator,SelectOperator,FilterOperator,JoinOperator,GroupByOperator,ReduceSinkOperator

    从名字就能猜出各个操作符完成的功能,TableScanOperator从MapReduce框架的Map接口原始输入表的数据,控制扫描表的数据行数,标记是从原表中取数据。JoinOperator完成Join操作。FilterOperator完成过滤操作

    ReduceSinkOperator将Map端的字段组合序列化为Reduce Key/value, Partition Key,只可能出现在Map阶段,同时也标志着Hive生成的MapReduce程序中Map阶段的结束。

    Operator在Map Reduce阶段之间的数据传递都是一个流式的过程。每一个Operator对一行数据完成操作后之后将数据传递给childOperator计算。

    Operator类的主要属性和方法如下

    • RowSchema表示Operator的输出字段
    • InputObjInspector outputObjInspector解析输入和输出字段
    • processOp接收父Operator传递的数据,forward将处理好的数据传递给子Operator处理
    • Hive每一行数据经过一个Operator处理之后,会对字段重新编号,colExprMap记录每个表达式经过当前Operator处理前后的名称对应关系,在下一个阶段逻辑优化阶段用来回溯字段名
    • 由 于Hive的MapReduce程序是一个动态的程序,即不确定一个MapReduce Job会进行什么运算,可能是Join,也可能是GroupBy,所以Operator将所有运行时需要的参数保存在OperatorDesc 中,OperatorDesc在提交任务前序列化到HDFS上,在MapReduce任务执行前从HDFS读取并反序列化。Map阶段 OperatorTree在HDFS上的位置在Job.getConf(“hive.exec.plan”)
      + “/map.xml”

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图9
    QueryBlock生成Operator Tree
    QueryBlock生成Operator Tree就是遍历上一个过程中生成的QB和QBParseInfo对象的保存语法的属性,包含如下几个步骤:

    • QB#aliasToSubq => 有子查询,递归调用
    • QB#aliasToTabs => TableScanOperator
    • QBParseInfo#joinExpr => QBJoinTree => ReduceSinkOperator + JoinOperator
    • QBParseInfo#destToWhereExpr => FilterOperator
    • QBParseInfo#destToGroupby => ReduceSinkOperator + GroupByOperator
    • QBParseInfo#destToOrderby => ReduceSinkOperator + ExtractOperator

    由于Join/GroupBy/OrderBy均需要在Reduce阶段完成,所以在生成相应操作的Operator之前都会先生成一个ReduceSinkOperator,将字段组合并序列化为Reduce Key/value, Partition Key

    接下来详细分析样例SQL生成OperatorTree的过程

    先序遍历上一个阶段生成的QB对象

    首先根据子QueryBlock
    [mw_shl_code=text,true]TableScanOperator(“dim.user”) TS[0] TableScanOperator(“detail.usersequence_client”) TS[1] TableScanOperator(“fact.orderpayment”) TS[2]

    [/mw_shl_code]

    先序遍历QBJoinTree,类QBJoinTree保存左右表的ASTNode和这个查询的别名,最终生成的查询树如下 base / \ p du / \ c p
    前序遍历detail.usersequence_client和 HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图10


    图中 TS=TableScanOperator RS=ReduceSinkOperator JOIN=JoinOperator

    生成中间表与dim.user的Join操作树

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图11

    根据QB2 FilterOperator。此时QB2遍历完成。

    下图中SelectOperator在某些场景下会根据一些条件判断是否需要解析字段。

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图12

    图中 FIL= FilterOperator SEL= SelectOperator

    根据QB1的QBParseInfo#destToGroupby生成ReduceSinkOperator + GroupByOperator

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图13

    图中 GBY= GroupByOperator
    GBY[12]是HASH聚合,即在内存中通过Hash进行聚合运算

    最终都解析完后,会生成一个FileSinkOperator,将数据写入HDFS

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图14

    图中FS=FileSinkOperator

    Phase4 逻辑层优化器

    大部分逻辑层优化器通过变换OperatorTree,合并操作符,达到减少MapReduce Job,减少shuffle数据量的目的。

    ② MapJoinProcessor
    ② GroupByOptimizer
    ① PredicatePushDown
    ColumnPruner

    名称
    作用
    ② SimpleFetchOptimizer 优化没有GroupBy表达式的聚合查询
    MapJoin,需要SQL中提供hint,0.11版本已不用
    ② BucketMapJoinOptimizer BucketMapJoin
    Map端聚合
    ① ReduceSinkDeDuplication 合并线性的OperatorTree中partition/sort key相同的reduce
    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
    字段剪枝

    表格中①的优化器均是一个Job干尽可能多的事情/合并。②的都是减少shuffle数据量,甚至不做Reduce。

    CorrelationOptimizer优化器非常复杂,都能利用查询中的相关性,合并有相关性的Job,参考 Hive Correlation Optimizer

    对于样例SQL,有两个优化器对其进行优化。下面分别介绍这两个优化器的作用,并补充一个优化器ReduceSinkDeDuplication的作用

    PredicatePushDown优化器

    断言判断提前优化器将OperatorTree中的FilterOperator提前到TableScanOperator之后

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图15

    NonBlockingOpDeDupProc优化器

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图16
    ReduceSinkDeDuplication优化器

    ReduceSinkDeDuplication可以合并线性相连的两个RS。实际上CorrelationOptimizer是 ReduceSinkDeDuplication的超集,能合并线性和非线性的操作RS,但是Hive先实现的 ReduceSinkDeDuplication

    譬如下面这条SQL语句

    [mw_shl_code=python,true]from (select key, value from src group by key, value) s select s.key group by s.key;
    [/mw_shl_code]

    经过前面几个阶段之后,会生成如下的OperatorTree,两个Tree是相连的,这里没有画到一起

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图17

    这时候遍历OperatorTree后能发现前前后两个RS输出的Key值和PartitionKey如下

    parentRS



    Key
    PartitionKey
    childRS key key
    key,value key,value

    ReduceSinkDeDuplication优化器检测到:1. pRS Key完全包含cRS Key,且排序顺序一致;2. pRS PartitionKey完全包含cRS PartitionKey。符合优化条件,会对执行计划进行优化。

    ReduceSinkDeDuplication将childRS和parentheRS与childRS之间的Operator删掉,保留的RS的Key为key,value字段,PartitionKey为key字段。合并后的OperatorTree如下:

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图18

    Phase5 OperatorTree生成MapReduce Job的过程

    OperatorTree转化为MapReduce Job的过程分为下面几个阶段

    • 对输出表生成MoveTask
    • 从OperatorTree的其中一个根节点向下深度优先遍历
    • ReduceSinkOperator标示Map/Reduce的界限,多个Job间的界限
    • 遍历其他根节点,遇过碰到JoinOperator合并MapReduceTask
    • 生成StatTask更新元数据
    • 剪断Map与Reduce间的Operator的关系

    对输出表生成MoveTask

    由上一步OperatorTree只生成了一个FileSinkOperator,直接生成一个MoveTask,完成将最终生成的HDFS临时文件移动到目标表目录下

    MoveTask[Stage-0] Move Operator

    开始遍历

    将OperatorTree中的所有根节点保存在一个toWalk的数组中,循环取出数组中的元素(省略QB1,未画出)

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图19

    取出最后一个元素TS[p]放入栈 opStack{TS[p]}中

    Rule #1 TS% 生成MapReduceTask对象,确定MapWork

    发现栈中的元素符合下面规则R1(这里用python代码简单表示)

    [mw_shl_code=python,true]””.join([t + “%” for t in opStack]) == “TS%”
    [/mw_shl_code]

    生成一个MapReduceTask[Stage-1]对象的MapReduceTask[Stage-1]包含了以

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图20

    Rule #2 TS%.*RS% 确定ReduceWork

    继续遍历TS[p]的子Operator,将子Operator存入栈opStack中
    当第一个RS进栈后,即栈opStack = {TS[p], FIL[18], RS[4]}时,就会满足下面的规则R2

    [mw_shl_code=python,true]””.join([t + “%” for t in opStack]) == “TS%.*RS%”
    [/mw_shl_code]

    这时候在ReduceWork属性保存

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图21

    Rule #3 RS%.*RS% 生成新MapReduceTask对象,切分MapReduceTask

    继续遍历JOIN[5]的子Operator,将子Operator存入栈opStack中

    当第二个RS放入栈时,即当栈

    [mw_shl_code=python,true]””.join([t + “%” for t in opStack]) == “RS%.*RS%” //循环遍历opStack的每一个后缀数组

    [/mw_shl_code]

    这时候创建一个新的JOIN[5]和JOIN[5]生成一个子OperatorRS[6]生成一个MapReduceTask[Stage-2]对象的TS[20]的引用。

    新生成的

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图22

    继续遍历RS[6]的子Operator,将子Operator存入栈opStack中

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图23

    同理生成

    R4 FS% 连接MapReduceTask与MoveTask

    最终将所有子Operator存入栈中之后,

    [mw_shl_code=python,true]””.join([t + “%” for t in opStack]) == “FS%”[/mw_shl_code]

    这时候将MapReduceTask[Stage-3]连接起来,并生成一个 HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图24

    合并Stage

    此时并没有结束,还有两个根节点没有遍历。

    将opStack栈清空,将toWalk的第二个元素加入栈。会发现MapReduceTask[Stage-5]

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图25

    继续从opStack={TS[du],
    RS[7]}时,满足规则R2 TS%.*RS%

    此时将MapReduceTask[Stage-5]的MapMapReduceWork>对象中发现,MapReduceTask[Stage-2]和

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图26

    同理从最后一个根节点

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图27

    切分Map Reduce阶段

    最后一个阶段,将MapWork和ReduceWork中的OperatorTree以RS为界限剪开

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图28

    OperatorTree生成MapReduceTask全貌

    最终共生成3个MapReduceTask,如下图

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图29

    Phase6 物理层优化器

    这里不详细介绍每个优化器的原理,单独介绍一下MapJoin的优化器

    SortMergeJoinResolver

    CommonJoinResolver + MapJoinResolver

    名称
    作用
    Vectorizer HIVE-4160,将在0.13中发布
    与bucket配合,类似于归并排序
    SamplingOptimizer 并行order by优化器,在0.12中发布
    MapJoin优化器

    MapJoin原理

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图30

    MapJoin简单说就是在Map阶段将小表读入内存,顺序扫描大表完成Join。

    上图是Hive MapJoin的原理图,出自Facebook工程师Liyin Tang的一篇介绍Join优化的slice,从图中可以看出MapJoin分为两个阶段:

    • 通过MapReduce Local Task,将小表读入内存,生成HashTableFiles上传至Distributed Cache中,这里会对HashTableFiles进行压缩。
    • MapReduce Job在Map阶段,每个Mapper从Distributed Cache读取HashTableFiles到内存中,顺序扫描大表,在Map阶段直接进行Join,将数据传递给下一个MapReduce任务。

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图31

    如果Join的两张表一张表是临时表,就会生成一个ConditionalTask,在运行期间判断是否使用MapJoin

    CommonJoinResolver优化器

    CommonJoinResolver优化器就是将CommonJoin转化为MapJoin,转化过程如下

    • 深度优先遍历Task Tree
    • 找到JoinOperator,判断左右表数据量大小
    • 对与小表 + 大表 => MapJoinTask,对于小/大表 + 中间表 => ConditionalTask

    遍历上一个阶段生成的MapReduce任务,发现JOIN[8]中有一张表为临时表,先对Stage-2进行深度拷贝(由于需要保留原始执行计划为Backup
    Plan,所以这里将执行计划拷贝了一份),生成一个MapJoinOperator替代JoinOperator,然后生成一个MapReduceLocalWork读取小表生成HashTableFiles上传至DistributedCache中。

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图32

    MapReduceTask经过变换后的执行计划如下图所示

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图33

    MapJoinResolver优化器

    MapJoinResolver优化器遍历Task Tree,将所有有local work的MapReduceTask拆成两个Task

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图34

    最终MapJoinResolver处理完之后,执行计划如下图所示

    HiveSQL解析原理:包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作 - 图35

    Hive SQL编译过程的设计

    从上述整个SQL编译的过程,可以看出编译过程的设计有几个优点值得学习和借鉴

    • 使用Antlr开源软件定义语法规则,大大简化了词法和语法的编译解析过程,仅仅需要维护一份语法文件即可。
    • 整体思路很清晰,分阶段的设计使整个编译过程代码容易维护,使得后续各种优化器方便的以可插拔的方式开关,譬如Hive 0.13最新的特性Vectorization和对Tez引擎的支持都是可插拔的。
    • 每个Operator只完成单一的功能,简化了整个MapReduce程序。

    社区发展方向

    Hive依然在迅速的发展中,为了提升Hive的性能,hortonworks公司主导的Stinger计划提出了一系列对Hive的改进,比较重要的改进有:

    • Vectorization - 使Hive从单行单行处理数据改为批量处理方式,大大提升了指令流水线和缓存的利用率
    • Hive on Tez - 将Hive底层的MapReduce计算框架替换为Tez计算框架。Tez不仅可以支持多Reduce阶段的任务MRR,还可以一次性提交执行计划,因而能更好的分配资源。
    • Cost Based Optimizer - 使Hive能够自动选择最优的Join顺序,提高查询速度
    • Implement insert, update, and delete in Hive with full ACID support - 支持表按主键的增量更新

    我们也将跟进社区的发展,结合自身的业务需要,提升Hive型ETL流程的性能

    参考

    Antlr: http://www.antlr.org/
    Wiki Antlr介绍: http://en.wikipedia.org/wiki/ANTLR
    Hive Wiki: https://cwiki.apache.org/confluence/display/Hive/Home
    HiveSQL编译过程: http://www.slideshare.net/recruitcojp/internal-hive
    Join Optimization in Hive: Join Strategies in
    Hive from the 2011 Hadoop Summit (Liyin Tang, Namit Jain)

    Hive Design Docs: https://cwiki.apache.org/confluence/display/Hive/DesignDocs