Hive SQL底層執行過程詳細剖析
Hive
Hive是什么？Hive 是數據倉庫工具，再具體點就是一個 SQL 解析引擎，因為它即不負責存儲數據，也不負責計算數據，只負責解析 SQL，記錄元數據。
Hive直接訪問存儲在 HDFS 中或者 HBase 中的文件，通過 MapReduce、Spark 或 Tez 執行查詢。
我們今天來聊的就是 Hive 底層是怎樣將我們寫的 SQL 轉化為 MapReduce 等計算引擎可識別的程序。了解 Hive SQL 的底層編譯過程有利于我們優化Hive SQL，提升我們對Hive的掌控力，同時有能力去定制一些需要的功能。
Hive 底層執行架構
我們先來看下 Hive 的底層執行架構圖， Hive 的主要組件與 Hadoop 交互的過程：
Hive底層執行架構
在 Hive 這一側，總共有五個組件：
- UI：用戶界面。可看作我們提交SQL語句的命令行界面。
- DRIVER：驅動程序。接收查詢的組件。該組件實現了會話句柄的概念。
- COMPILER：編譯器。負責將 SQL 轉化為平臺可執行的執行計劃。對不同的查詢塊和查詢表達式進行語義分析，并最終借助表和從 metastore 查找的分區元數據來生成執行計劃。
- METASTORE：元數據庫。存儲 Hive 中各種表和分區的所有結構信息。
- EXECUTION ENGINE：執行引擎。負責提交 COMPILER 階段編譯好的執行計劃到不同的平臺上。
上圖的基本流程是：
步驟1：UI 調用 DRIVER 的接口；
步驟2：DRIVER 為查詢創建會話句柄，并將查詢發送到 COMPILER(編譯器)生成執行計劃；
步驟3和4：編譯器從元數據存儲中獲取本次查詢所需要的元數據，該元數據用于對查詢樹中的表達式進行類型檢查，以及基于查詢謂詞修建分區；
步驟5：編譯器生成的計劃是分階段的DAG，每個階段要么是 map/reduce 作業，要么是一個元數據或者HDFS上的操作。將生成的計劃發給 DRIVER。
如果是 map/reduce 作業，該計劃包括 map operator trees 和一個 reduce operator tree，執行引擎將會把這些作業發送給 MapReduce ：
步驟6、6.1、6.2和6.3：執行引擎將這些階段提交給適當的組件。在每個 task(mapper/reducer) 中，從HDFS文件中讀取與表或中間輸出相關聯的數據，并通過相關算子樹傳遞這些數據。最終這些數據通過序列化器寫入到一個臨時HDFS文件中（如果不需要 reduce 階段，則在 map 中操作）。臨時文件用于向計劃中后面的 map/reduce 階段提供數據。
步驟7、8和9：最終的臨時文件將移動到表的位置，確保不讀取臟數據(文件重命名在HDFS中是原子操作)。對于用戶的查詢，臨時文件的內容由執行引擎直接從HDFS讀取，然后通過Driver發送到UI。
Hive SQL 編譯成 MapReduce 過程
編譯 SQL 的任務是在上節中介紹的 COMPILER（編譯器組件）中完成的。Hive將SQL轉化為MapReduce任務，整個編譯過程分為六個階段：
Hive SQL編譯過程
- 詞法、語法解析: Antlr 定義 SQL 的語法規則，完成 SQL 詞法，語法解析，將 SQL 轉化為抽象語法樹 AST Tree；
Antlr是一種語言識別的工具，可以用來構造領域語言。使用Antlr構造特定的語言只需要編寫一個語法文件，定義詞法和語法替換規則即可，Antlr完成了詞法分析、語法分析、語義分析、中間代碼生成的過程。
- 語義解析: 遍歷 AST Tree，抽象出查詢的基本組成單元 QueryBlock；
- 生成邏輯執行計劃: 遍歷 QueryBlock，翻譯為執行操作樹 OperatorTree；
- 優化邏輯執行計劃: 邏輯層優化器進行 OperatorTree 變換，合并 Operator，達到減少 MapReduce Job，減少數據傳輸及 shuffle 數據量；
- 生成物理執行計劃: 遍歷 OperatorTree，翻譯為 MapReduce 任務；
- 優化物理執行計劃: 物理層優化器進行 MapReduce 任務的變換，生成最終的執行計劃。
下面對這六個階段詳細解析：
為便于理解，我們拿一個簡單的查詢語句進行展示，對5月23號的地區維表進行查詢：
select * from dim.dim_region where dt = '2021-05-23';階段一：詞法、語法解析
根據Antlr定義的sql語法規則，將相關sql進行詞法、語法解析，轉化為抽象語法樹AST Tree：
ABSTRACT SYNTAX TREE:
TOK_QUERY
TOK_FROM
TOK_TABREF
TOK_TABNAME
dim
dim_region
TOK_INSERT
TOK_DESTINATION
TOK_DIR
TOK_TMP_FILE
TOK_SELECT
TOK_SELEXPR
TOK_ALLCOLREF
TOK_WHERE
=
TOK_TABLE_OR_COL
dt
'2021-05-23'階段二：語義解析
遍歷AST Tree，抽象出查詢的基本組成單元QueryBlock：
AST Tree生成后由于其復雜度依舊較高，不便于翻譯為mapreduce程序，需要進行進一步抽象和結構化，形成QueryBlock。
QueryBlock是一條SQL最基本的組成單元，包括三個部分：輸入源，計算過程，輸出。簡單來講一個QueryBlock就是一個子查詢。
QueryBlock的生成過程為一個遞歸過程，先序遍歷 AST Tree ，遇到不同的 Token 節點(理解為特殊標記)，保存到相應的屬性中。
階段三：生成邏輯執行計劃
遍歷QueryBlock，翻譯為執行操作樹OperatorTree：
Hive最終生成的MapReduce任務，Map階段和Reduce階段均由OperatorTree組成。
基本的操作符包括：
- TableScanOperator
- SelectOperator
- FilterOperator
- JoinOperator
- GroupByOperator
- ReduceSinkOperator`
Operator在Map Reduce階段之間的數據傳遞都是一個流式的過程。每一個Operator對一行數據完成操作后之后將數據傳遞給childOperator計算。
由于Join/GroupBy/OrderBy均需要在Reduce階段完成，所以在生成相應操作的Operator之前都會先生成一個ReduceSinkOperator，將字段組合并序列化為Reduce Key/value, Partition Key。
階段四：優化邏輯執行計劃
Hive中的邏輯查詢優化可以大致分為以下幾類：
- 投影修剪
- 推導傳遞謂詞
- 謂詞下推
- 將Select-Select，Filter-Filter合并為單個操作
- 多路 Join
- 查詢重寫以適應某些列值的Join傾斜
階段五：生成物理執行計劃
生成物理執行計劃即是將邏輯執行計劃生成的OperatorTree轉化為MapReduce Job的過程，主要分為下面幾個階段：
- 對輸出表生成MoveTask
- 從OperatorTree的其中一個根節點向下深度優先遍歷
- ReduceSinkOperator標示Map/Reduce的界限，多個Job間的界限
- 遍歷其他根節點，遇過碰到JoinOperator合并MapReduceTask
- 生成StatTask更新元數據
- 剪斷Map與Reduce間的Operator的關系
階段六：優化物理執行計劃
Hive中的物理優化可以大致分為以下幾類：
- 分區修剪(Partition Pruning)
- 基于分區和桶的掃描修剪(Scan pruning)
- 如果查詢基于抽樣，則掃描修剪
- 在某些情況下，在 map 端應用 Group By
- 在 mapper 上執行 Join
- 優化 Union，使Union只在 map 端執行
- 在多路 Join 中，根據用戶提示決定最后流哪個表
- 刪除不必要的 ReduceSinkOperators
- 對于帶有Limit子句的查詢，減少需要為該表掃描的文件數
- 對于帶有Limit子句的查詢，通過限制 ReduceSinkOperator 生成的內容來限制來自 mapper 的輸出
- 減少用戶提交的SQL查詢所需的Tez作業數量
- 如果是簡單的提取查詢，避免使用MapReduce作業
- 對于帶有聚合的簡單獲取查詢，執行不帶 MapReduce 任務的聚合
- 重寫 Group By 查詢使用索引表代替原來的表
- 當表掃描之上的謂詞是相等謂詞且謂詞中的列具有索引時，使用索引掃描
經過以上六個階段，SQL 就被解析映射成了集群上的 MapReduce 任務。
SQL編譯成MapReduce具體原理
在階段五-生成物理執行計劃，即遍歷 OperatorTree，翻譯為 MapReduce 任務，這個過程具體是怎么轉化的呢
我們接下來舉幾個常用 SQL 語句轉化為 MapReduce 的具體步驟：
Join的實現原理
以下面這個SQL為例，講解 join 的實現：
select u.name, o.orderid from order o join user u on o.uid = u.uid;在map的輸出value中為不同表的數據打上tag標記，在reduce階段根據tag判斷數據來源。MapReduce的過程如下：
MapReduce CommonJoin的實現
Group By的實現原理
以下面這個SQL為例，講解 group by 的實現：
select rank, isonline, count(*) from city group by rank, isonline;將GroupBy的字段組合為map的輸出key值，利用MapReduce的排序，在reduce階段保存LastKey區分不同的key。MapReduce的過程如下:
MapReduce Group By的實現
Distinct的實現原理
以下面這個SQL為例，講解 distinct 的實現：
select dealid, count(distinct uid) num from order group by dealid;當只有一個distinct字段時，如果不考慮Map階段的Hash GroupBy，只需要將GroupBy字段和Distinct字段組合為map輸出key，利用mapreduce的排序，同時將GroupBy字段作為reduce的key，在reduce階段保存LastKey即可完成去重:
MapReduce Distinct的實現
