Hive-架构、执行

Hive是基于hadoop的数据仓库工具，将结构化的数据映射为一张表，提供类sql的查询功能。

本质-- SQL解析，将HQL转为MapReduce执行过程。底层的执行引擎有：MapReduce、Tez、Spark

一、hive架构组件

C/S模式。

Client：

Client端有JDBC/ODBC和Thrift Client，可远程访问Hive。

可以通过shell脚本的方式访问，或者通过Thrift协议，按照平时编写JDBC的方式完成对Hive的数据操作。

Server：CLI、Thrift Server、HWI(Hive web Interface)、Driver、Metastore

• CLI、Thrift Server、HWI是暴露给Client访问的独立部署的Hive服务
• Driver、Metastore是Hive内部组件

Driver：

解析输入的sql，抽象成语法树，再转成逻辑计划，然后进行优化，生成物理执行计划（序列化反序列化，UDF函数），交给Execution执行引擎-->MR Job/Spark Job。

（1）解析器（SQL Parser）：将SQL字符串转换成抽象语法树AST，这一步一般都用第三方工具库完成，比如antlr；对AST进行语法分析，比如表是否存在、字段是否存在、SQL语义是否有误。
（2）编译器（Physical Plan）：将AST编译生成逻辑执行计划。
（3）优化器（Query Optimizer）：对逻辑执行计划进行优化。
（4）执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于Hive来说，就是MR/Spark。

优化器：基于规则的优化：

列过滤：去除查询中不需要的列

行过滤：Where条件判断等在TableScan阶段就进行过滤，利用Partition信息，只读取符合条件的Partition

谓词下推：减少后面的数据量（比如两个表join时，通过优先执行where过滤掉不符合的条件。。后面详细学习）

join方式

• Map端join： 调整Join顺序，确保以大表作为驱动表，小表载入所有mapper内存中
• shuffle join：按照hash函数，将两张表的数据发送给join对于数据分布不均衡的表Group by时，为避免数据集中到少数的reducer上，分成两个map-reduce阶段。第一个阶段先用Distinct列进行shuffle，然后在reduce端部分聚合，减小数据规模，第二个map-reduce阶段再按group-by列聚合。
•  sort merge join：排序，按照顺序切割数据，相同的范围发送给相同的节点(运行前在后台创建立两张排序表，或者建表的时候指定)
• 在map端用hash进行部分聚合，减小reduce端数据处理规模。

Metastore：

存储和管理元数据：Derby（内置 ）、Mysql；

• Derby：Derby只接受一个Hive的会话访问；
• Mysql：Hive跑在Hadoop之上的，Mysql进行主备（定时同步操作）

二、Hive的执行过程

1，用户提交查询任务给Driver

2，Driver为查询操作创建session handler，发送查询操作到compiler生成execute plan

3，compiler从metastore获取本次查询需要的元数据，用于后续对抽象查询树中的表达式进行类型检查，以及基于查询谓词修剪分区；

4，compiler基于元数据信息对task进行编译，将HSQL转为抽象语法树->查询块->逻辑查询plan->重写逻辑查询plan->生成物理查询plan（MR），并选择最佳策略。

•  生成的计划是分阶段的DAG，每个阶段是 map/reduce 作业 或者是 一个元数据或者HDFS上的操作。
• 如果是map/reduce 作业，该计划包括 map operator trees 和一个 reduce operator tree

5，将最终的物理plan提交给Driver

6，Driver将plan发送给ExecutionEngine执行，元数据信息提交到JobTracker或者yarn的RsourceManager执行，task直接读取到HDFS中进行相应的操作。

•  步骤6、6.1、6.2、6.3：执行引擎将这些阶段提交给适当的组件。在每个task(mapper/reducer) 中从HDFS文件中读取与表或中间输出相关联的数据，并通过相关算子树传递这些数据。最终这些数据通过序列化器写入到一个临时HDFS文件中（如果不需要 reduce 阶段，则在 map 中操作）。临时文件用于向计划中后面的 map/reduce 阶段提供数据。
• 步骤7、8、9：最终的临时文件将移动到表的位置，确保不读取脏数据(文件重命名在HDFS中是原子操作)。对于用户的查询，临时文件的内容由执行引擎直接从HDFS读取，然后通过Driver发送到UI。

7，获取执行结果。

8，取得并返回执行结果。

⚠️无论底层的计算引擎是什么，一条SQL在Hive中的逻辑计划都是一样的，不同的计算引擎生成的物理计划就会有所差别。

原文参考：大数据计算框架及引擎介绍_计算引擎_归去来？的博客-CSDN博客