Hive的架构剖析

本文主要介绍Hive的架构和以及HQL的查询阶段，主要内容包括：

• Hive的架构
• 架构中的相关组件介绍
• HQL的查询阶段

Hive的架构

hive的基本架构图如下图所示：

相关组件介绍

• 数据存储

Hive中的数据可以存储在任意与Hadoop兼容的文件系统，其最常见的存储文件格式主要有ORC和Parquet。除了HDFS之外，也支持一些商用的云对象存储，比如AWS S3等。另外，Hive可以读入并写入数据到其他的独立处理系统，比如Druid、HBase等。

• Data catalog

Hive使用Hive Metastore(HMS)存储元数据信息，使用关系型数据库来持久化存储这些信息，其依赖于DataNucleus(提供了标准的接口（JDO, JPA）来访问各种类型的数据库资源 ),用于简化操作各种关系型数据库。为了请求低延迟，HMS会直接通过DataNucleus直接查询关系型数据库。HMS的API支持多种编程语言。

• 执行引擎

最初版本的Hive支持MapReduce作为执行引擎，后来又支持

Tez和Spark作为执行引擎，这些执行引擎都可以运行在YARN上。

• 查询服务

Hiveserver2(HS2)允许用户执行SQL查询，Hiveserver2允许多个客户端提交请求到Hive并返回执行结果，HS2支持本地和远程JDBC和ODBC连接，另外Hive的发布版中包括一个JDBC的客户端，称之为Beeline。

• Hive客户端

Hive支持多种客户端，比如Python, Java, C++, Ruby等，可以使用JDBC、ODBC和Thrift drivers连接Hive，Hive的客户端主要归为3类：

（1）Thrift Clients

Hive的Server是基于Apache Thrift的，所以支持thrift客户端的查询请求

（2）JDBC Client

允许使用Java通过JDBC driver连接Hive，JDBC driver使用Thrift与Hive进行通信的

（3）ODBC Client

Hive的ODBC driver允许使用基于ODBC协议的应用来连接Hive，与JDBC driver类似，ODBC driver也是通过Thrift与Hive server进行通信的

• Hive Driver

Hive Driver接收来自客户端提交的HQL语句，创建session handles，并将查询发送到Compiler(编译器)。

• Hive Compiler

Hive的Compiler解析查询语句，编译器会借助Hive的metastore存储的元数据信息，对不同的查询块和查询表达式执行语义分析和类型检查，然后生成执行计划。

编译器生成的执行计划就是DAG，每个Stage可能代表一个MR作业。

• Optimizer(优化器)

比如列裁剪、谓词下推等优化，提升查询效率

执行过程

• Step1：执行查询

  通过客户端提交查询

• Step2：获取执行计划

  dirver接收到查询，会创建session handle，并将该查询传递给编译器，生成执行计划

• Step3：获取元数据

  编译器会向metastore发送获取元数据的请求

• Step4：发送元数据

  metastore向编译器发送元数据，编译器使用元数据执行类型检查和语义分析。编译器会生成执行计划(DAG),对于MapReduce作业而言，执行计划包括map operator trees

  和reduce operator tree

• Step5：发送执行计划

  编译器向Driver发送生成的执行计划

• Step6：执行查询计划

  从编译器那里获取执行计划之后，Driver会向执行引擎发送执行计划

• Step7：提交MR作业

• Step8：返回查询结果

将查询结果通过Driver返回个查询客户端

HQL的查询阶段

Hive的查询阶段如下图所示，具体分析如下：

如上图所示，

• 1.用户提交查询到HS2
• 2.该查询被Driver处理，由编译器会解析该查询语句并从AST中生成一个Calcite逻辑计划
• 3.优化逻辑计划，HS2会访问关于HMS的元数据信息，用来达到验证和优化的目的
• 4.优化的逻辑计划被转换为物理执行计划
• 5.向量化的执行计划
• 6.生成具体的task，可以是mr或者spark、Tez，并通过Driver提交任务到YARN
• 7.执行结束后将结果返回给用户

总结

本文首先介绍了Hive的架构，并对每个组件进行了描述。然后阐述了Hive的具体执行过程，最后对HQL的执行阶段进行了说明。

公众号『大数据技术与数仓』，回复『资料』领取大数据资料包