大数据的仓库Hive原理(三)

      上次我们简单说了一下Hive的工作原理，今天我们来深入看一下它是如何把Hql语句转换为m/r来运行的。

1、编译器

• 简介

        Hive编译器将一个Hive QL转换操作符。操作符Operator是Hive的最小的处理单元，每个操作符代表HDFS的一个操作或者一道MapReduce作业。
  Operator都是hive定义的一个处理过程，其定义有：

  protected List <Operator<? extends Serializable >> childOperators; 
  protected List <Operator<? extends Serializable >> parentOperators; 
  protected boolean done;   // 初始化值为false

        所有的操作构成了Operator图，hive正是基于这些图关系来处理诸如limit, group by, join等操作。

  

• 执行流程

  

2、转换过程

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

3、具体实现

• 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）

• 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）

  

• 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

  

总结：

      我们从认识Hive到理解它的运行原理，已经对其有了一定的了解。当然在实际应用中还会遇到各种问题，只要我们坚持去做，就没有什么做不到的。