Hive底層原理：Explain執(zhí)行計劃詳解
本文轉(zhuǎn)載自微信公眾號「五分鐘學(xué)大數(shù)據(jù)」，作者園陌。轉(zhuǎn)載本文請聯(lián)系五分鐘學(xué)大數(shù)據(jù)公眾號。
理論
本節(jié)將介紹 explain 的用法及參數(shù)介紹
HIVE提供了EXPLAIN命令來展示一個查詢的執(zhí)行計劃,這個執(zhí)行計劃對于我們了解底層原理，hive 調(diào)優(yōu)，排查數(shù)據(jù)傾斜等很有幫助
使用語法如下：
EXPLAIN [EXTENDED|CBO|AST|DEPENDENCY|AUTHORIZATION|LOCKS|VECTORIZATION|ANALYZE] query
explain 后面可以跟以下可選參數(shù)，注意：這幾個可選參數(shù)不是 hive 每個版本都支持的
- EXTENDED：加上 extended 可以輸出有關(guān)計劃的額外信息。這通常是物理信息，例如文件名。這些額外信息對我們用處不大
- CBO：輸出由Calcite優(yōu)化器生成的計劃。CBO 從 hive 4.0.0 版本開始支持
- AST：輸出查詢的抽象語法樹。AST 在hive 2.1.0 版本刪除了，存在bug，轉(zhuǎn)儲AST可能會導(dǎo)致OOM錯誤，將在4.0.0版本修復(fù)
- DEPENDENCY：dependency在EXPLAIN語句中使用會產(chǎn)生有關(guān)計劃中輸入的額外信息。它顯示了輸入的各種屬性
- AUTHORIZATION：顯示所有的實體需要被授權(quán)執(zhí)行(如果存在)的查詢和授權(quán)失敗
- LOCKS：這對于了解系統(tǒng)將獲得哪些鎖以運行指定的查詢很有用。LOCKS 從 hive 3.2.0 開始支持
- VECTORIZATION：將詳細信息添加到EXPLAIN輸出中，以顯示為什么未對Map和Reduce進行矢量化。從 Hive 2.3.0 開始支持
- ANALYZE：用實際的行數(shù)注釋計劃。從 Hive 2.2.0 開始支持
在 hive cli 中輸入以下命令(hive 2.3.7)：
- explain select sum(id) from test1;
得到結(jié)果(請逐行看完，即使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
看完以上內(nèi)容有什么感受，是不是感覺都看不懂，不要著急，下面將會詳細講解每個參數(shù)，相信你學(xué)完下面的內(nèi)容之后再看 explain 的查詢結(jié)果將游刃有余。
一個HIVE查詢被轉(zhuǎn)換為一個由一個或多個stage組成的序列(有向無環(huán)圖DAG)。這些stage可以是MapReduce stage，也可以是負責(zé)元數(shù)據(jù)存儲的stage，也可以是負責(zé)文件系統(tǒng)的操作(比如移動和重命名)的stage。
我們將上述結(jié)果拆分看，先從最外層開始，包含兩個大的部分：
- stage dependencies： 各個stage之間的依賴性
- stage plan： 各個stage的執(zhí)行計劃
先看第一部分 stage dependencies ，包含兩個 stage，Stage-1 是根stage，說明這是開始的stage，Stage-0 依賴 Stage-1，Stage-1執(zhí)行完成后執(zhí)行Stage-0。
再看第二部分 stage plan，里面有一個 Map Reduce，一個MR的執(zhí)行計劃分為兩個部分：
- Map Operator Tree： MAP端的執(zhí)行計劃樹
- Reduce Operator Tree： Reduce端的執(zhí)行計劃樹
這兩個執(zhí)行計劃樹里面包含這條sql語句的 operator：
1.map端第一個操作肯定是加載表，所以就是 TableScan 表掃描操作，常見的屬性：
- alias： 表名稱
- Statistics： 表統(tǒng)計信息，包含表中數(shù)據(jù)條數(shù)，數(shù)據(jù)大小等
2.Select Operator： 選取操作，常見的屬性 ：
- expressions：需要的字段名稱及字段類型
- outputColumnNames：輸出的列名稱
- Statistics：表統(tǒng)計信息，包含表中數(shù)據(jù)條數(shù)，數(shù)據(jù)大小等
3.Group By Operator：分組聚合操作，常見的屬性：
- aggregations：顯示聚合函數(shù)信息
- mode：聚合模式，值有 hash：隨機聚合，就是hash partition;partial：局部聚合;final：最終聚合
- keys：分組的字段，如果沒有分組，則沒有此字段
- outputColumnNames：聚合之后輸出列名
- Statistics： 表統(tǒng)計信息，包含分組聚合之后的數(shù)據(jù)條數(shù)，數(shù)據(jù)大小等
4.Reduce Output Operator：輸出到reduce操作，常見屬性：
- sort order：值為空 不排序;值為 + 正序排序，值為 - 倒序排序;值為 +- 排序的列為兩列，第一列為正序，第二列為倒序
5.Filter Operator：過濾操作，常見的屬性：
- predicate：過濾條件，如sql語句中的where id>=1，則此處顯示(id >= 1)
6.Map Join Operator：join 操作，常見的屬性：
- condition map：join方式 ，如Inner Join 0 to 1 Left Outer Join0 to 2
- keys: join 的條件字段
- outputColumnNames： join 完成之后輸出的字段
- Statistics： join 完成之后生成的數(shù)據(jù)條數(shù)，大小等
7.File Output Operator：文件輸出操作，常見的屬性
- compressed：是否壓縮
- table：表的信息，包含輸入輸出文件格式化方式，序列化方式等
8.Fetch Operator 客戶端獲取數(shù)據(jù)操作，常見的屬性：
- limit，值為 -1 表示不限制條數(shù)，其他值為限制的條數(shù)
好，學(xué)到這里再翻到上面 explain 的查詢結(jié)果，是不是感覺基本都能看懂了。
實踐
本節(jié)介紹 explain 能夠為我們在生產(chǎn)實踐中帶來哪些便利及解決我們哪些迷惑
1. join 語句會過濾 null 的值嗎?
現(xiàn)在，我們在hive cli 輸入以下查詢計劃語句
- select a.id,b.user_name from test1 a join test2 b on a.id=b.id;
問：上面這條 join 語句會過濾 id 為 null 的值嗎
執(zhí)行下面語句：
- explain select a.id,b.user_name from test1 a join test2 b on a.id=b.id;
我們來看結(jié)果 (為了適應(yīng)頁面展示，僅截取了部分輸出信息)：
- 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)
- ...
從上述結(jié)果可以看到 predicate: id is not null 這樣一行，說明 join 時會自動過濾掉關(guān)聯(lián)字段為 null 值的情況，但 left join 或 full join 是不會自動過濾的，大家可以自行嘗試下。
2. group by 分組語句會進行排序嗎?
看下面這條sql
- select id,max(user_name) from test1 group by id;
問：group by 分組語句會進行排序嗎
直接來看 explain 之后結(jié)果 (為了適應(yīng)頁面展示，僅截取了部分輸出信息)
- 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)
- ...
我們看 Group By Operator，里面有 keys: id (type: int) 說明按照 id 進行分組的，再往下看還有 sort order: + ，說明是按照 id 字段進行正序排序的。
3. 哪條sql執(zhí)行效率高呢?
觀察兩條sql語句
- 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;
這兩條sql語句輸出的結(jié)果是一樣的，但是哪條sql執(zhí)行效率高呢
有人說第一條sql執(zhí)行效率高，因為第二條sql有子查詢，子查詢會影響性能
有人說第二條sql執(zhí)行效率高，因為先過濾之后，在進行join時的條數(shù)減少了，所以執(zhí)行效率就高了
到底哪條sql效率高呢，我們直接在sql語句前面加上 explain，看下執(zhí)行計劃不就知道了嘛
在第一條sql語句前加上 explain，得到如下結(jié)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
在第二條sql語句前加上 explain，得到如下結(jié)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
大家有什么發(fā)現(xiàn)，除了表別名不一樣，其他的執(zhí)行計劃完全一樣，都是先進行 where 條件過濾，在進行 join 條件關(guān)聯(lián)。說明 hive 底層會自動幫我們進行優(yōu)化，所以這兩條sql語句執(zhí)行效率是一樣的。
最后
以上僅列舉了3個我們生產(chǎn)中既熟悉又有點迷糊的例子，explain 還有很多其他的用途，如查看stage的依賴情況、排查數(shù)據(jù)傾斜、hive 調(diào)優(yōu)等，小伙伴們可以自行嘗試。
