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
hive
发表至： hive
2021-02-20
 0
Hive浅度学习指南
hive梳理
关于hive:Hive日期时间函数总结
关于hive:分享一个-HIVE-SQL-性能优化点使用公共表表达式-CTE-替换临时表