hive 浅浅谈

hive整体结构

Hive有三种用户接口：

cli (Command line interface)	bin/hive或bin/hive –service cli	命令行方式（默认）
hive-server/hive-server2	bin/hive –service hiveserver 或bin/hive –service hiveserver2	通过JDBC/ODBC和Thrift访问（Impala通过这种方式借用hive-metastore）
hwi (Hive web interface)	bin/hive –service hwi	通过浏览器访问

在hive shell中输入“show tables;”实际执行的是：

1	bin/hadoopjar hive/lib/hive-cli-0.9.0.jar org.apache.hadoop.hive.cli.CliDriver -e'SHOW TABLES;'

CLI入口函数：cli.CliDriver.main()

读入参数->建立SessionState并导入配置->处理输入文件中指令CliDriver.processFile()；或交互型指令CliDriver.processLine()->解析输入CliDriver.processCmd()

(1) 如果是quit或者exit，退出

(2) 以source开头的，读取外部文件并执行文件中的HiveQL

(3) ！开头的命令，执行操作系统命令（如!ls，列出当前目录的文件信息）

(4) list，列出jar/file/archive

(5) 其他命令，则生成调用相应的CommandProcessor处理，进入CliDriver.processLocalCmd()

下面看看CliDriver.processLocalCmd()这个函数：

set/dfs/add/delete指令交给指定的CommandProcessor处理，其余的交给org.apache.hadoop.hive.ql.Driver.run()处理

org.apache.hadoop.hive.ql.Driver类是查询的起点，run()方法会先后调用compile()和execute()两个函数来完成查询，所以一个command的查询分为compile和execute两个阶段。

Compile

(1)利用antlr生成的HiveLexer.java和HiveParser.java类，将HiveQL转换成抽象语法树（AST）。

首先使用antlr工具将srcqlsrcjavaorgapachehadoophiveqlparsehive.g编译成以下几个文件：HiveParser.java, Hive.tokens, Hive__.g, HiveLexer.java

HiveLexer.java和HiveParser.java分别是词法和语法分析类文件，Hive__.g是HiveLexer.java对应的词法分析规范，Hive.tokens定义了词法分析后所有的token。

然后沿着“Driver.compile()->ParseDriver.parse(command, ctx)->HiveParserX.statement()->antlr中的API”这个调用关系把输入的HiveQL转化成ASTNode类型的语法树。HiveParserX是由antlr生成的HiveParser类的子类。

(2)利用对应的SemanticAnalyzer类，将AST树转换成Map-reduce task。主要分为三个步骤：

a) AST -> operator DAG

b) optimize operator DAG

c) oprator DAG -> Map-reduce task

首先接着上一步生成的语法树ASTNode， SemanticAnalyzerFactory会根据ASTNode的token类型生成不同的SemanticAnalyzer (所有这些SemanticAnalyzer都继承自BaseSemanticAnalyzer)

1) ExplainSemanticAnalyzer

2) LoadSemanticAnalyzer

3) ExportSemanticAnalyzer

4) DDLSemanticAnalyzer

5) FunctionSemanticAnalyzer

6) SemanticAnalyzer

然后调用BaseSemanticAnalyzer.analyze()->BaseSemanticAnalyzer. analyzeInternal()。

下面以最常见的select * from table类型的查询为例，进入的子类是SemanticAnalyzer. analyzeInternal()，这个函数的逻辑如下：

1) doPhase1()：将sql语句中涉及到的各种信息存储起来，存到QB中去，留着后面用。

2) getMetaData()：获取元数据信息，主要是sql中涉及到的 表 和 元数据 的关联

3) genPlan()：生成operator tree/DAG

4) optimize：优化，对operator tree/DAG 进行一些优化操作，例如列剪枝等（目前只能做rule-based optimize，不能做cost-based optimize）

5) genMapRedTasks()：将operator tree/DAG 通过一定的规则生成若干相互依赖的MR任务

Execute

将Compile阶段生成的task信息序列化到plan.xml，然后启动map-reduce，在configure时反序列化plan.xml

实例分析：

在hive中有这样一张表：

uid	fruit_name	count
a	apple	5
a	orange	3
a	apple	2
b	banana	1

执行如下的查询：

1	SELECTuid,SUM(count)FROMlogsGROUPBYuid

通过explain命令可以查看执行计划：

1	EXPLAINSELECTuid,SUM(count)FROMlogsGROUPBYuid;

依照hive.g的语法规则，生成AST如下:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

ABSTRACT SYNTAX TREE: (   TOK_QUERY   (TOK_FROM (TOK_TABREF (TOK_TABNAME logs)))   (     TOK_INSERT     (TOK_DESTINATION (TOK_DIR TOK_TMP_FILE))     (       TOK_SELECT       (TOK_SELEXPR (TOK_TABLE_OR_COL uid))       (TOK_SELEXPR (TOK_FUNCTIONsum(TOK_TABLE_OR_COLcount)))     )     (TOK_GROUPBY (TOK_TABLE_OR_COL uid))   ) )

生成的执行计划operator tree/DAG如下：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66

STAGE DEPENDENCIES:   Stage-1isa root stage   Stage-0isa root stage   STAGE PLANS:   Stage: Stage-1     Map Reduce       Alias -> Map Operator Tree:         logs           TableScan // 扫描表             alias: logs             SelectOperator //选择字段               expressions:                     expr: uid                     type: string                     expr:count                     type:int               outputColumnNames: uid,count               GroupByOperator //在map端先做一次聚合，减少shuffle数据量                 aggregations:                       expr:sum(count) //聚合函数                 bucketGroup:false                 keys:                       expr: uid                       type: string                 mode: hash                 outputColumnNames: _col0, _col1                 ReduceOutputOperator //输出key，value给reduce                   keyexpressions:                         expr: _col0                         type: string                   sortorder: +                   Map-reduce partition columns:                         expr: _col0                         type: string                   tag: -1                   value expressions:                         expr: _col1                         type:bigint       Reduce Operator Tree:         GroupByOperator           aggregations:                 expr:sum(VALUE._col0) //聚合           bucketGroup:false           keys:                 expr:KEY._col0                 type: string           mode: mergepartial           outputColumnNames: _col0, _col1           SelectOperator //选择字段             expressions:                   expr: _col0                   type: string                   expr: _col1                   type:bigint             outputColumnNames: _col0, _col1             FileOutputOperator //输出到文件               compressed:false               GlobalTableId: 0               table:                   input format: org.apache.hadoop.mapred.TextInputFormat                   outputformat: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat     Stage: Stage-0     FetchOperator       limit: -1

Hive优化策略：

1. 去除查询中不需要的column

2. Where条件判断等在TableScan阶段就进行过滤

3. 利用Partition信息，只读取符合条件的Partition

4. Map端join，以大表作驱动，小表载入所有mapper内存中

5. 调整Join顺序，确保以大表作为驱动表

6. 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。

7. 在map端用hash进行部分聚合，减小reduce端数据处理规模