轉自:http://yanbohappy.sinaapp.com/?p=265
Hive有三種用戶接口:
cli (Command line interface) | bin/hive或bin/hive –service cli | 命令行方式(默認) |
hive-server/hive-server2 | bin/hive –service hiveserver 或bin/hive –service hiveserver2 | 通過JDBC/ODBC和Thrift訪問(Impala通過這種方式借用hive-metastore) |
hwi (Hive web interface) | bin/hive –service hwi | 通過瀏覽器訪問 |
在hive shell中輸入“show tables;”實際執行的是:
bin/hadoop jar hive/lib/hive-cli-0.9.0.jar org.apache.hadoop.hive.cli.CliDriver -e 'SHOW TABLES;'
CLI入口函數:cli.CliDriver.main()
讀入參數->建立SessionState並導入配置->處理輸入文件中指令CliDriver.processFile();或交互型指令CliDriver.processLine()->解析輸入CliDriver.processCmd()
(1) 如果是quit或者exit,退出
(2) 以source開頭的,讀取外部文件並執行文件中的HiveQL
(3) !開頭的命令,執行操作系統命令(如!ls,列出當前目錄的文件信息)
(4) list,列出jar/file/archive
(5) 其他命令,則生成調用相應的CommandProcessor處理,進入CliDriver.processLocalCmd()
下面看看CliDriver.processLocalCmd()這個函數:
set/dfs/add/delete指令交給指定的CommandProcessor處理,其餘的交給org.apache.hadoop.hive.ql.Driver.run()處理
org.apache.hadoop.hive.ql.Driver類是查詢的起點,run()方法會先後調用compile()和execute()兩個函數來完成查詢,所以一個command的查詢分爲compile和execute兩個階段。
Compile
(1)利用antlr生成的HiveLexer.java和HiveParser.java類,將HiveQL轉換成抽象語法樹(AST)。
首先使用antlr工具將srcqlsrcjavaorgapachehadoophiveqlparsehive.g編譯成以下幾個文件:HiveParser.java, Hive.tokens, Hive__.g, HiveLexer.java
HiveLexer.java和HiveParser.java分別是詞法和語法分析類文件,Hive__.g是HiveLexer.java對應的詞法分析規範,Hive.tokens定義了詞法分析後所有的token。
然後沿着“Driver.compile()->ParseDriver.parse(command, ctx)->HiveParserX.statement()->antlr中的API”這個調用關係把輸入的HiveQL轉化成ASTNode類型的語法樹。HiveParserX是由antlr生成的HiveParser類的子類。
(2)利用對應的SemanticAnalyzer類,將AST樹轉換成Map-reduce task。主要分爲三個步驟:
a) AST -> operator DAG
b) optimize operator DAG
c) oprator DAG -> Map-reduce task
首先接着上一步生成的語法樹ASTNode, SemanticAnalyzerFactory會根據ASTNode的token類型生成不同的SemanticAnalyzer (所有這些SemanticAnalyzer都繼承自BaseSemanticAnalyzer)
1) ExplainSemanticAnalyzer
2) LoadSemanticAnalyzer
3) ExportSemanticAnalyzer
4) DDLSemanticAnalyzer
5) FunctionSemanticAnalyzer
6) SemanticAnalyzer
然後調用BaseSemanticAnalyzer.analyze()->BaseSemanticAnalyzer. analyzeInternal()。
下面以最常見的select * from table類型的查詢爲例,進入的子類是SemanticAnalyzer. analyzeInternal(),這個函數的邏輯如下:
1) doPhase1():將sql語句中涉及到的各種信息存儲起來,存到QB中去,留着後面用。
2) getMetaData():獲取元數據信息,主要是sql中涉及到的 表 和 元數據 的關聯
3) genPlan():生成operator tree/DAG
4) optimize:優化,對operator tree/DAG 進行一些優化操作,例如列剪枝等(目前只能做rule-based optimize,不能做cost-based optimize)
5) genMapRedTasks():將operator tree/DAG 通過一定的規則生成若干相互依賴的MR任務
Execute
將Compile階段生成的task信息序列化到plan.xml,然後啓動map-reduce,在configure時反序列化plan.xml
實例分析:
在hive中有這樣一張表:
uid | fruit_name | count |
a | apple | 5 |
a | orange | 3 |
a | apple | 2 |
b | banana | 1 |
執行如下的查詢:
SELECT uid, SUM(count) FROM logs GROUP BY uid
通過explain命令可以查看執行計劃:
EXPLAIN SELECT uid, SUM(count) FROM logs GROUP BY uid;
依照hive.g的語法規則,生成AST如下:
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_FUNCTION sum (TOK_TABLE_OR_COL count))) ) (TOK_GROUPBY (TOK_TABLE_OR_COL uid)) ) )
生成的執行計劃operator tree/DAG如下:
STAGE DEPENDENCIES: Stage-1 is a root stage Stage-0 is a root stage STAGE PLANS: Stage: Stage-1 Map Reduce Alias -> Map Operator Tree: logs TableScan // 掃描表 alias: logs Select Operator //選擇字段 expressions: expr: uid type: string expr: count type: int outputColumnNames: uid, count Group By Operator //在map端先做一次聚合,減少shuffle數據量 aggregations: expr: sum(count) //聚合函數 bucketGroup: false keys: expr: uid type: string mode: hash outputColumnNames: _col0, _col1 Reduce Output Operator //輸出key,value給reduce key expressions: expr: _col0 type: string sort order: + Map-reduce partition columns: expr: _col0 type: string tag: -1 value expressions: expr: _col1 type: bigint Reduce Operator Tree: Group By Operator aggregations: expr: sum(VALUE._col0) //聚合 bucketGroup: false keys: expr: KEY._col0 type: string mode: mergepartial outputColumnNames: _col0, _col1 Select Operator //選擇字段 expressions: expr: _col0 type: string expr: _col1 type: bigint outputColumnNames: _col0, _col1 File Output Operator //輸出到文件 compressed: false GlobalTableId: 0 table: input format: org.apache.hadoop.mapred.TextInputFormat output format: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat Stage: Stage-0 Fetch Operator limit: -1
Hive優化策略:
1. 去除查詢中不需要的column
2. Where條件判斷等在TableScan階段就進行過濾
3. 利用Partition信息,只讀取符合條件的Partition
4. Map端join,以大表作驅動,小表載入所有mapper內存中
5. 調整Join順序,確保以大表作爲驅動表
6. 對於數據分佈不均衡的表Group by時,爲避免數據集中到少