关于hive:Hive底层原理explain执行计划详解

49次阅读

共计 8996 个字符,预计需要花费 23 分钟才能阅读完成。

不懂 hive 中的 explain,阐明 hive 还没入门,学会 explain,可能给咱们工作中应用 hive 带来极大的便当!

实践

本节将介绍 explain 的用法及参数介绍

HIVE 提供了 EXPLAIN 命令来展现一个查问的执行打算, 这个执行打算对于咱们理解底层原理,hive 调优,排查数据歪斜等很有帮忙

应用语法如下:

EXPLAIN [EXTENDED|CBO|AST|DEPENDENCY|AUTHORIZATION|LOCKS|VECTORIZATION|ANALYZE] query

explain 前面能够跟以下可选参数,留神:这几个可选参数不是 hive 每个版本都反对的

  1. EXTENDED:加上 extended 能够输入无关打算的额定信息。这通常是物理信息,例如文件名。这些额定信息对咱们用途不大
  2. CBO:输入由 Calcite 优化器生成的打算。CBO 从 hive 4.0.0 版本开始反对
  3. AST:输入查问的形象语法树。AST 在 hive 2.1.0 版本删除了,存在 bug,转储 AST 可能会导致 OOM 谬误,将在 4.0.0 版本修复
  4. DEPENDENCY:dependency 在 EXPLAIN 语句中应用会产生无关打算中输出的额定信息。它显示了输出的各种属性
  5. AUTHORIZATION:显示所有的实体须要被受权执行(如果存在)的查问和受权失败
  6. LOCKS:这对于理解零碎将取得哪些锁以运行指定的查问很有用。LOCKS 从 hive 3.2.0 开始反对
  7. VECTORIZATION:将详细信息增加到 EXPLAIN 输入中,以显示为什么未对 Map 和 Reduce 进行矢量化。从 Hive 2.3.0 开始反对
  8. ANALYZE:用理论的行数正文打算。从 Hive 2.2.0 开始反对

在 hive cli 中输出以下命令(hive 2.3.7):

explain select sum(id) from test1;

失去后果(请逐行看完,即便看不懂也要每行都看):

STAGE DEPENDENCIES:
  Stage-1 is a root stage
  Stage-0 depends on stages: Stage-1

STAGE PLANS:
  Stage: Stage-1
    Map Reduce
      Map Operator Tree:
          TableScan
            alias: test1
            Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
            Select Operator
              expressions: id (type: int)
              outputColumnNames: id
              Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
              Group By Operator
                aggregations: sum(id)
                mode: hash
                outputColumnNames: _col0
                Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: NONE
                Reduce Output Operator
                  sort order:
                  Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: NONE
                  value expressions: _col0 (type: bigint)
      Reduce Operator Tree:
        Group By Operator
          aggregations: sum(VALUE._col0)
          mode: mergepartial
          outputColumnNames: _col0
          Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: NONE
          File Output Operator
            compressed: false
            Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: NONE
            table:
                input format: org.apache.hadoop.mapred.SequenceFileInputFormat
                output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
                serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe

  Stage: Stage-0
    Fetch Operator
      limit: -1
      Processor Tree:
        ListSink

看完以上内容有什么感触,是不是感觉都看不懂,不要焦急,上面将会具体解说每个参数,置信你学完上面的内容之后再看 explain 的查问后果将熟能生巧。

一个 HIVE 查问被转换为一个由一个或多个 stage 组成的序列(有向无环图 DAG)。这些 stage 能够是 MapReduce stage,也能够是负责元数据存储的 stage,也能够是负责文件系统的操作(比方挪动和重命名)的 stage

咱们将上述后果拆分看,先从最外层开始,蕴含两个大的局部:

  1. stage dependencies:各个 stage 之间的依赖性
  2. stage plan:各个 stage 的执行打算

先看第一局部 stage dependencies,蕴含两个 stage,Stage-1 是根 stage,阐明这是开始的 stage,Stage-0 依赖 Stage-1,Stage- 1 执行实现后执行 Stage-0。

再看第二局部 stage plan,外面有一个 Map Reduce,一个 MR 的执行打算分为两个局部:

  1. Map Operator Tree:MAP 端的执行打算树
  2. Reduce Operator Tree:Reduce 端的执行打算树

这两个执行打算树外面蕴含这条 sql 语句的 operator:

  1. map 端第一个操作必定是加载表,所以就是 TableScan 表扫描操作,常见的属性:

    • alias:表名称
    • Statistics:表统计信息,蕴含表中数据条数,数据大小等
  2. Select Operator:选取操作,常见的属性:

    • expressions:须要的字段名称及字段类型
    • outputColumnNames:输入的列名称
    • Statistics:表统计信息,蕴含表中数据条数,数据大小等
  3. Group By Operator:分组聚合操作,常见的属性:

    • aggregations:显示聚合函数信息
    • mode:聚合模式,值有 hash:随机聚合,就是 hash partition;partial:部分聚合;final:最终聚合
    • keys:分组的字段,如果没有分组,则没有此字段
    • outputColumnNames:聚合之后输入列名
    • Statistics:表统计信息,蕴含分组聚合之后的数据条数,数据大小等
  4. Reduce Output Operator:输入到 reduce 操作,常见属性:

    • sort order:值为空 不排序;值为 + 正序排序,值为 – 倒序排序;值为 +- 排序的列为两列,第一列为正序,第二列为倒序
  5. Filter Operator:过滤操作,常见的属性:

    • predicate:过滤条件,如 sql 语句中的 where id>=1,则此处显示(id >= 1)
  6. Map Join Operator:join 操作,常见的属性:

    • condition map:join 形式,如 Inner Join 0 to 1 Left Outer Join0 to 2
    • keys: join 的条件字段
    • outputColumnNames:join 实现之后输入的字段
    • Statistics:join 实现之后生成的数据条数,大小等
  7. File Output Operator:文件输入操作,常见的属性

    • compressed:是否压缩
    • table:表的信息,蕴含输入输出文件格式化形式,序列化形式等
  8. Fetch Operator 客户端获取数据操作,常见的属性:

    • limit,值为 -1 示意不限度条数,其余值为限度的条数

好,学到这里再翻到下面 explain 的查问后果,是不是感觉根本都能看懂了。

实际

本节介绍 explain 可能为咱们在生产实践中带来哪些便当及解决咱们哪些蛊惑

1. join 语句会过滤 null 的值吗?

当初,咱们在 hive cli 输出以下查问打算语句

select a.id,b.user_name from test1 a join test2 b on a.id=b.id;

问:下面这条 join 语句会过滤 id 为 null 的值吗

执行上面语句:

explain select a.id,b.user_name from test1 a join test2 b on a.id=b.id;

咱们来看后果 (为了适应页面展现,仅截取了局部输入信息):

TableScan
 alias: a
 Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
 Filter Operator
    predicate: id is not null (type: boolean)
    Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
    Select Operator
        expressions: id (type: int)
        outputColumnNames: _col0
        Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
        HashTable Sink Operator
           keys:
             0 _col0 (type: int)
             1 _col0 (type: int)
 ...

从上述后果能够看到 predicate: id is not null 这样一行,** 阐明 join 时会主动过滤掉关联字段为 null
值的状况,但 left join 或 full join 是不会主动过滤的 **,大家能够自行尝试下。

2. group by 分组语句会进行排序吗?

看上面这条 sql

select id,max(user_name) from test1 group by id;

问:group by 分组语句会进行排序吗

间接来看 explain 之后后果 (为了适应页面展现,仅截取了局部输入信息)

 TableScan
    alias: test1
    Statistics: Num rows: 9 Data size: 108 Basic stats: COMPLETE Column stats: NONE
    Select Operator
        expressions: id (type: int), user_name (type: string)
        outputColumnNames: id, user_name
        Statistics: Num rows: 9 Data size: 108 Basic stats: COMPLETE Column stats: NONE
        Group By Operator
           aggregations: max(user_name)
           keys: id (type: int)
           mode: hash
           outputColumnNames: _col0, _col1
           Statistics: Num rows: 9 Data size: 108 Basic stats: COMPLETE Column stats: NONE
           Reduce Output Operator
             key expressions: _col0 (type: int)
             sort order: +
             Map-reduce partition columns: _col0 (type: int)
             Statistics: Num rows: 9 Data size: 108 Basic stats: COMPLETE Column stats: NONE
             value expressions: _col1 (type: string)
 ...

咱们看 Group By Operator,外面有 keys: id (type: int) 阐明依照 id 进行分组的,再往下看还有 sort order: +,阐明是依照 id 字段进行正序排序的

3. 哪条 sql 执行效率高呢?

察看两条 sql 语句

SELECT
    a.id,
    b.user_name
FROM
    test1 a
JOIN test2 b ON a.id = b.id
WHERE
    a.id > 2;
SELECT
    a.id,
    b.user_name
FROM
    (SELECT * FROM test1 WHERE id > 2) a
JOIN test2 b ON a.id = b.id;

这两条 sql 语句输入的后果是一样的,然而哪条 sql 执行效率高呢
有人说第一条 sql 执行效率高,因为第二条 sql 有子查问,子查问会影响性能
有人说第二条 sql 执行效率高,因为先过滤之后,在进行 join 时的条数缩小了,所以执行效率就高了

到底哪条 sql 效率高呢,咱们间接在 sql 语句后面加上 explain,看下执行打算不就晓得了嘛

在第一条 sql 语句前加上 explain,失去如下后果

hive (default)> explain select a.id,b.user_name from test1 a join test2 b on a.id=b.id where a.id >2;
OK
Explain
STAGE DEPENDENCIES:
  Stage-4 is a root stage
  Stage-3 depends on stages: Stage-4
  Stage-0 depends on stages: Stage-3

STAGE PLANS:
  Stage: Stage-4
    Map Reduce Local Work
      Alias -> Map Local Tables:
        $hdt$_0:a
          Fetch Operator
            limit: -1
      Alias -> Map Local Operator Tree:
        $hdt$_0:a
          TableScan
            alias: a
            Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
            Filter Operator
              predicate: (id > 2) (type: boolean)
              Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
              Select Operator
                expressions: id (type: int)
                outputColumnNames: _col0
                Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
                HashTable Sink Operator
                  keys:
                    0 _col0 (type: int)
                    1 _col0 (type: int)

  Stage: Stage-3
    Map Reduce
      Map Operator Tree:
          TableScan
            alias: b
            Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
            Filter Operator
              predicate: (id > 2) (type: boolean)
              Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
              Select Operator
                expressions: id (type: int), user_name (type: string)
                outputColumnNames: _col0, _col1
                Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
                Map Join Operator
                  condition map:
                       Inner Join 0 to 1
                  keys:
                    0 _col0 (type: int)
                    1 _col0 (type: int)
                  outputColumnNames: _col0, _col2
                  Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
                  Select Operator
                    expressions: _col0 (type: int), _col2 (type: string)
                    outputColumnNames: _col0, _col1
                    Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
                    File Output Operator
                      compressed: false
                      Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
                      table:
                          input format: org.apache.hadoop.mapred.SequenceFileInputFormat
                          output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
                          serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
      Local Work:
        Map Reduce Local Work

  Stage: Stage-0
    Fetch Operator
      limit: -1
      Processor Tree:
        ListSink

在第二条 sql 语句前加上 explain,失去如下后果

hive (default)> explain select a.id,b.user_name from(select * from  test1 where id>2) a join test2 b on a.id=b.id;
OK
Explain
STAGE DEPENDENCIES:
  Stage-4 is a root stage
  Stage-3 depends on stages: Stage-4
  Stage-0 depends on stages: Stage-3

STAGE PLANS:
  Stage: Stage-4
    Map Reduce Local Work
      Alias -> Map Local Tables:
        $hdt$_0:test1
          Fetch Operator
            limit: -1
      Alias -> Map Local Operator Tree:
        $hdt$_0:test1
          TableScan
            alias: test1
            Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
            Filter Operator
              predicate: (id > 2) (type: boolean)
              Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
              Select Operator
                expressions: id (type: int)
                outputColumnNames: _col0
                Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
                HashTable Sink Operator
                  keys:
                    0 _col0 (type: int)
                    1 _col0 (type: int)

  Stage: Stage-3
    Map Reduce
      Map Operator Tree:
          TableScan
            alias: b
            Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
            Filter Operator
              predicate: (id > 2) (type: boolean)
              Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
              Select Operator
                expressions: id (type: int), user_name (type: string)
                outputColumnNames: _col0, _col1
                Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
                Map Join Operator
                  condition map:
                       Inner Join 0 to 1
                  keys:
                    0 _col0 (type: int)
                    1 _col0 (type: int)
                  outputColumnNames: _col0, _col2
                  Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
                  Select Operator
                    expressions: _col0 (type: int), _col2 (type: string)
                    outputColumnNames: _col0, _col1
                    Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
                    File Output Operator
                      compressed: false
                      Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
                      table:
                          input format: org.apache.hadoop.mapred.SequenceFileInputFormat
                          output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
                          serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
      Local Work:
        Map Reduce Local Work

  Stage: Stage-0
    Fetch Operator
      limit: -1
      Processor Tree:
        ListSink

大家有什么发现,除了表别名不一样,其余的执行打算齐全一样,都是先进行 where 条件过滤,在进行 join 条件关联。阐明 hive 底层会主动帮咱们进行优化,所以这两条 sql 语句执行效率是一样的

最初

以上仅列举了 3 个咱们生产中既相熟又有点迷糊的例子,explain 还有很多其余的用处,如查看 stage 的依赖状况、排查数据歪斜、hive 调优等,小伙伴们能够自行尝试。

正文完
 0