Hive谓词解析过程分析
where col1 = 100 and abs(col2) > 0在Hive中的处理过程
where过滤条件称为谓词predicate。
以上where过滤条件在经过Hive的语法解析后，生成如下的语法树：
TOK_WHERE
AND
=
TOK_TABLE_OR_COL
c1
100
>
TOK_FUNCTION
ABS
TOK_TABLE_OR_COL
c2
0
有了语法树之后，最终的目的是生成predicate每个节点对应的ExprNodeDesc，即描述对应的节点：
public Map
TypeCheckCtx tcCtx) throws SemanticException {
…
Map
TypeCheckProcFactory.genExprNode(expr, tcCtx);
…
生成的过程是对上述语法树的一个深度优先遍历的过程，Hive中大量对树的遍历的代码，在遍历过程中根据指定的规则或对语法树进行修改，或输出相应的结果。
Hive中有一个默认的深度优先遍历的实现DefaultGraphWalker。
这个遍历器的实现部分代码如下：
public void walk(Node nd) throws SemanticException {
// Push the node in the stack
opStack.push(nd);
// While there are still nodes to dispatch...
while (!opStack.empty()) {
Node node = opStack.peek();
if (node.getChildren() == null ||
getDispatchedList().containsAll(node.getChildren())) {
// Dispatch current node
if (!getDispatchedList().contains(node)) {
dispatch(node, opStack);
opQueue.add(node);
}
opStack.pop();
continue;
}
// Add a single child and restart the loop
for (Node childNode : node.getChildren()) {
if (!getDispatchedList().contains(childNode)) {
opStack.push(childNode);
break;
}
}
} // end while
}
先将当前节点放到待处理的栈opStack中，然后从opStack取节点出来，如果取出来的节点没有Children，或者Children已经全部处理完毕，才对当前节点进行处理（dispatch），如果当前节点有Children且还没有处理完，则将当前节点的Children放到栈顶，然后重新从栈中取节点进行处理。这是很基础的深度优先遍历的实现。
那在遍历的过程中，如何针对不同的节点进行不同的处理呢？
在遍历之前，先预置一些针对不同的节点不同规则的处理器，然后在遍历过程中，通过分发器Dispatcher选择最合适的处理器进行处理。
生成ExprNodeDesc的遍历中一共先预置了8个规则Rule，每个规则对应一个处理器NodeProcessor：
Map opRules = new LinkedHashMap();
opRules.put(new RuleRegExp("R1", HiveParser.TOK_NULL + "%"),
tf.getNullExprProcessor());
opRules.put(new RuleRegExp("R2", HiveParser.Number + "%|" +
HiveParser.TinyintLiteral + "%|" +
HiveParser.SmallintLiteral + "%|" +
HiveParser.BigintLiteral + "%|" +
HiveParser.DecimalLiteral + "%"),
tf.getNumExprProcessor());
opRules
.put(new RuleRegExp("R3", HiveParser.Identifier + "%|"
+ HiveParser.StringLiteral + "%|" + HiveParser.TOK_CHARSETLITERAL + "%|"
+ HiveParser.TOK_STRINGLITERALSEQUENCE + "%|"
+ "%|" + HiveParser.KW_IF + "%|" + HiveParser.KW_CASE + "%|"
+ HiveParser.KW_WHEN + "%|" + HiveParser.KW_IN + "%|"
+ HiveParser.KW_ARRAY + "%|" + HiveParser.KW_MAP + "%|"
+ HiveParser.KW_STRUCT + "%|" + HiveParser.KW_EXISTS + "%|"
+ HiveParser.KW_GROUPING + "%|"
+ HiveParser.TOK_SUBQUERY_OP_NOTIN + "%"),
tf.getStrExprProcessor());
opRules.put(new RuleRegExp("R4", HiveParser.KW_TRUE + "%|"
+ HiveParser.KW_FALSE + "%"), tf.getBoolExprProcessor());
opRules.put(new RuleRegExp("R5", HiveParser.TOK_DATELITERAL + "%|"
+ HiveParser.TOK_TIMESTAMPLITERAL + "%"), tf.getDateTimeExprProcessor());
opRules.put(new RuleRegExp("R6",
HiveParser.TOK_INTERVAL_YEAR_MONTH_LITERAL + "%|"
+ HiveParser.TOK_INTERVAL_DAY_TIME_LITERAL + "%|"
+ HiveParser.TOK_INTERVAL_YEAR_LITERAL + "%|"
+ HiveParser.TOK_INTERVAL_MONTH_LITERAL + "%|"
+ HiveParser.TOK_INTERVAL_DAY_LITERAL + "%|"
+ HiveParser.TOK_INTERVAL_HOUR_LITERAL + "%|"
+ HiveParser.TOK_INTERVAL_MINUTE_LITERAL + "%|"
+ HiveParser.TOK_INTERVAL_SECOND_LITERAL + "%"), tf.getIntervalExprProcessor());
opRules.put(new RuleRegExp("R7", HiveParser.TOK_TABLE_OR_COL + "%"),
tf.getColumnExprProcessor());
opRules.put(new RuleRegExp("R8", HiveParser.TOK_SUBQUERY_OP + "%"),
tf.getSubQueryExprProcessor());
这里使用的分发器Dispatcher是DefaultRuleDispatcher，DefaultRuleDispatcher选择处理器的逻辑如下：
// find the firing rule
// find the rule from the stack specified
Rule rule = null;
int minCost = Integer.MAX_VALUE;
for (Rule r : procRules.keySet()) {
int cost = r.cost(ndStack);
if ((cost >= 0) && (cost <= minCost)) {
minCost = cost;
rule = r;
}
}
NodeProcessor proc;
if (rule == null) {
proc = defaultProc;
} else {
proc = procRules.get(rule);
}
// Do nothing in case proc is null
if (proc != null) {
// Call the process function
return proc.process(nd, ndStack, procCtx, nodeOutputs);
} else {
return null;
}
遍历所有的规则Rule，调用每个规则的cost方法计算cost，找其中cost最小的规则对应的处理器，如果没有找到，则使用默认处理器，如果没有设置默认处理器，则不做任何事情。
那么每个规则的cost是如何计算的？
– 没太看懂==|| (后续再理理)
WHERE条件语法树每个节点对应的处理器如下：
TOK_WHERE
AND --> TypeCheckProcFactory.DefaultExprProcessor
= --> TypeCheckProcFactory.DefaultExprProcessor
TOK_TABLE_OR_COL --> TypeCheckProcFactory.ColumnExprProcessor
c1 --> TypeCheckProcFactory.StrExprProcessor
100 --> TypeCheckProcFactory.NumExprProcessor
> --> TypeCheckProcFactory.DefaultExprProcessor
TOK_FUNCTION --> TypeCheckProcFactory.DefaultExprProcessor
ABS --> TypeCheckProcFactory.StrExprProcessor
TOK_TABLE_OR_COL --> TypeCheckProcFactory.ColumnExprProcessor
c2 --> TypeCheckProcFactory.StrExprProcessor
0 --> TypeCheckProcFactory.NumExprProcessor
TypeCheckProcFactory.StrExprProcessor 生成ExprNodeConstantDesc
TypeCheckProcFactory.ColumnExprProcessor 处理column，生成ExprNodeColumnDesc
TypeCheckProcFactory.NumExprProcessor生成ExprNodeConstantDesc
TypeCheckProcFactory.DefaultExprProcessor生成ExprNodeGenericFuncDesc
在深度优先遍历完WHERE语法树后，每个节点都会生成一个ExprNodeDesc，但是其实除了最顶层的AND节点生成的ExprNodeDesc有用，其他的节点生成的都是中间结果，最终都会包含在AND节点生成的ExprNodeDesc中。所以在遍历WHERE树后，通过AND节点生成的ExprNodeDesc构造FilterDesc：
new FilterDesc(genExprNodeDesc(condn, inputRR, useCaching), false)
有了FilterDesc后，就能够构造出FilterOperator了，然后再将生成的FilterOperator加入到Operator树中：
Operator ret = get((Class) conf.getClass());
ret.setConf(conf);
至此，where过滤条件对应的FilterOperator构造完毕。
接下来仔细看下AND生成的ExprNodeDesc，它其实是一个ExprNodeGenericFuncDesc：
// genericUDF是GenericUDFOPAnd，就是对应AND操作符
private GenericUDF genericUDF;
// AND是一个二元操作符，children里存的是对应的操作符
// 根据WHERE语法树，可以知道children[0]肯定又是一个ExprNodeGenericFuncDesc，而且是一个=函 // 数，而children[1]也是一个肯定又是一个ExprNodeGenericFuncDesc，而且是一个>函数，以此类 // 推，每个ExprNodeGenericFuncDesc都有对应的children
private List chidren;
// UDF的名字，这里是and
private transient String funcText;
/**
- This class uses a writableObjectInspector rather than a TypeInfo to store
- the canonical type information for this NodeDesc.
*/
private transient ObjectInspector writableObjectInspector;
每个ExprNodeDesc都对应有一个ExprNodeEvaluator，来对每个ExprNodeDesc进行实际的计算。看下ExprNodeEvaluator类的基本方法：
public abstract class ExprNodeEvaluator {
// 对应的ExprNodeDesc
protected final T expr;
// 在经过这个Evaluator计算后，它的输出值该如何解析的ObjectInspector
protected ObjectInspector outputOI;
…
/**
- Initialize should be called once and only once. Return the ObjectInspector
- for the return value, given the rowInspector.
- 初始化方法，传入一个ObjectInspector，即传入的数据应该如何解析的ObjectInspector
- 而需要返回经过这个Evaluator计算后的输出值的解析ObjectInspector
*/
public abstract ObjectInspector initialize(ObjectInspector rowInspector) throws HiveException;
// evaluate方法，调用来对row数据进行解析
public Object evaluate(Object row) throws HiveException {
return evaluate(row, -1);
}
/**
- Evaluate the expression given the row. This method should use the
- rowInspector passed in from initialize to inspect the row object. The
- return value will be inspected by the return value of initialize.
- If this evaluator is referenced by others, store it for them
*/
protected Object evaluate(Object row, int version) throws HiveException {
if (version < 0 || version != this.version) {
this.version = version;
return evaluation = _evaluate(row, version);
}
return evaluation;
}
// 由各个子类实现的方法的_evaluate方法，结合上面的evaluate方法，这里实际使用了设计模式的模板 // 方法模式
protected abstract Object _evaluate(Object row, int version) throws HiveException;
…
}
通过ExprNodeEvaluatorFactory获取到每个ExprNodeDesc对应的ExprNodeEvaluator：
public static ExprNodeEvaluator get(ExprNodeDesc desc) throws HiveException {
// Constant node
if (desc instanceof ExprNodeConstantDesc) {
return new ExprNodeConstantEvaluator((ExprNodeConstantDesc) desc);
}
// Column-reference node, e.g. a column in the input row
if (desc instanceof ExprNodeColumnDesc) {
return new ExprNodeColumnEvaluator((ExprNodeColumnDesc) desc);
}
// Generic Function node, e.g. CASE, an operator or a UDF node
if (desc instanceof ExprNodeGenericFuncDesc) {
return new ExprNodeGenericFuncEvaluator((ExprNodeGenericFuncDesc) desc);
}
// Field node, e.g. get a.myfield1 from a
if (desc instanceof ExprNodeFieldDesc) {
return new ExprNodeFieldEvaluator((ExprNodeFieldDesc) desc);
}
throw new RuntimeException(
"Cannot find ExprNodeEvaluator for the exprNodeDesc = " + desc);
}
看下FilterOperator中如何使用ExprNodeEvaluator对数据进行过滤的。
首先在FilterOperator的initializeOp方法中，获取到ExprNodeEvaluator：
conditionEvaluator = ExprNodeEvaluatorFactory.get(conf.getPredicate());
然后在process方法中，调用initialize方法后，调用eveluate方法获取到整个where过滤的结果：
conditionInspector = (PrimitiveObjectInspector) conditionEvaluator
.initialize(rowInspector);
…
Object condition = conditionEvaluator.evaluate(row);
…
Boolean ret = (Boolean) conditionInspector
.getPrimitiveJavaObject(condition);
// 如果结果是true，则forward到下一个operator继续处理
if (Boolean.TRUE.equals(ret)) {
forward(row, rowInspector);
}
再来看下GenericUDFOPAnd的evaluate方法实现：
@Override
public Object evaluate(DeferredObject[] arguments) throws HiveException {
boolean bool_a0 = false, bool_a1 = false;
Object a0 = arguments[0].get();
if (a0 != null) {
bool_a0 = boi0.get(a0);
if (bool_a0 == false) {
result.set(false);
return result;
}
}
Object a1 = arguments[1].get();
if (a1 != null) {
bool_a1 = boi1.get(a1);
if (bool_a1 == false) {
result.set(false);
return result;
}
}
if ((a0 != null && bool_a0 == true) && (a1 != null && bool_a1 == true)) {
result.set(true);
return result;
}
return null;
}
从以上代码知道，在进行AND的计算时，如果左边条件返回false，则不会进行右边条件的计算，所以AND的顺序其实是影响实际的效率的。类似的还有OR也是一样的，如果左边条件返回true，则不会进行右边条件的计算。