万字长⽂详解HiveSQL执⾏计划
Hive SQL的执⾏计划描述SQL实际执⾏的整体轮廓，通过执⾏计划能了解SQL程序在转换成相应计算引擎的执⾏逻辑，掌握了执⾏逻辑也就能更好地把握程序出现的瓶颈点，从⽽能够实现更有针对性的优化。此外还能帮助开发者识别看似等价的SQL其实是不等价的，看似不等价的SQL其实是等价的SQL。可以说执⾏计划是打开SQL优化⼤门的⼀把钥匙。
要想学SQL执⾏计划，就需要学习查看执⾏计划的命令：explain，在查询语句的SQL前⾯加上关键字explain是查看执⾏计划的基本⽅法。
本⽂⾸发于【五分钟学⼤数据】
学会explain，能够给我们⼯作中使⽤hive带来极⼤的便利！
查看SQL的执⾏计划
Hive提供的执⾏计划⽬前可以查看的信息有以下⼏种：
explain：查看执⾏计划的基本信息；
explain dependency：dependency在explain语句中使⽤会产⽣有关计划中输⼊的额外信息。它显⽰了输⼊的各种属性；
explain authorization：查看SQL操作相关权限的信息；
explain vectorization：查看SQL的向量化描述信息，显⽰为什么未对Map和Reduce进⾏⽮量化。从 Hive 2.3.0 开始⽀持；
explain analyze：⽤实际的⾏数注释计划。从 Hive 2.2.0 开始⽀持；
explain cbo：输出由Calcite优化器⽣成的计划。CBO 从 Hive 4.0.0 版本开始⽀持；
explain locks：这对于了解系统将获得哪些锁以运⾏指定的查询很有⽤。LOCKS 从 Hive 3.2.0 开始⽀持；
explain ast：输出查询的抽象语法树。AST 在 Hive 2.1.0 版本删除了，存在bug，转储AST可能会导致OOM错误，将在4.0.0版本修复；
explain extended：加上 extended 可以输出有关计划的额外信息。这通常是物理信息，例如⽂件名，这些额外信息对我们⽤处不⼤；
1. explain 的⽤法
Hive提供了explain命令来展⽰⼀个查询的执⾏计划，这个执⾏计划对于我们了解底层原理，Hive 调优，排查数据倾斜等很有帮助。
使⽤语法如下：
explain query;
在 hive cli 中输⼊以下命令(hive 2.3.7)：
explain select sum(id) from test1;
得到结果：
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受，是不是感觉都看不懂，不要着急，下⾯将会详细讲解每个参数，相信你学完下⾯的内容之后再看 explain 的查询结果将游刃有余。
⼀个HIVE查询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可以是MapReduce stage，也可以是负责元数据存储的stage，也可以是负责⽂件系统的操作（⽐如移动和重命名）的stage。
我们将上述结果拆分看，先从最外层开始，包含两个⼤的部分：
1. stage dependencies：各个stage之间的依赖性
2. stage plan：各个stage的执⾏计划
先看第⼀部分 stage dependencies ，包含两个 stage，Stage-1 是根stage，说明这是开始的stage，Stage-0 依赖 Stage-1，Stage-1执⾏完成后执⾏Stage-0。
再看第⼆部分 stage plan，⾥⾯有⼀个 Map Reduce，⼀个MR的执⾏计划分为两个部分：
1. Map Operator Tree： MAP端的执⾏计划树
2. Reduce Operator Tree： Reduce端的执⾏计划树
这两个执⾏计划树⾥⾯包含这条sql语句的 operator：
1. TableScan：表扫描操作，map端第⼀个操作肯定是加载表，所以就是表扫描操作，常见的属性：
alias：表名称
Statistics：表统计信息，包含表中数据条数，数据⼤⼩等
2. Select Operator：选取操作，常见的属性：
expressions：需要的字段名称及字段类型
outputColumnNames：输出的列名称
Statistics：表统计信息，包含表中数据条数，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：局部聚合；final：最终聚合
keys：分组的字段，如果没有分组，则没有此字段
outputColumnNames：聚合之后输出列名
Statistics：表统计信息，包含分组聚合之后的数据条数，数据⼤⼩等
4. Reduce Output Operator：输出到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⽅式，如Inner Join 0 to 1 Left Outer Join0 to 2
keys: join 的条件字段
outputColumnNames： join 完成之后输出的字段
Statistics： join 完成之后⽣成的数据条数，⼤⼩等
7. File Output Operator：⽂件输出操作，常见的属性
compressed：是否压缩
table：表的信息，包含输⼊输出⽂件格式化⽅式，序列化⽅式等
8. Fetch Operator 客户端获取数据操作，常见的属性：
limit，值为 -1 表⽰不限制条数，其他值为限制的条数
2. explain 的使⽤场景
本节介绍 explain 能够为我们在⽣产实践中带来哪些便利及解决我们哪些迷惑
案例⼀：join 语句会过滤 null 的值吗？
现在，我们在hive cli 输⼊以下查询计划语句
select a.id,b.user_name from test1 a join test2 b on a.id=b.id;
问：上⾯这条 join 语句会过滤 id 为 null 的值吗
执⾏下⾯语句：
explain select a.id,b.user_name from test1 a join test2 b on a.id=b.id;
我们来看结果 (为了适应页⾯展⽰，仅截取了部分输出信息)：
TableScan
alias: a
Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
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)
...
从上述结果可以看到 predicate: id is not null 这样⼀⾏，说明 join 时会⾃动过滤掉关联字段为 null
值的情况，但 left join 或 full join 是不会⾃动过滤null值的，⼤家可以⾃⾏尝试下。
案例⼆：group by 分组语句会进⾏排序吗？
看下⾯这条sql
select id,max(user_name) from test1 group by id;
问：group by 分组语句会进⾏排序吗
直接来看 explain 之后结果 (为了适应页⾯展⽰，仅截取了部分输出信息)
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)
...
我们看 Group By Operator，⾥⾯有 keys: id (type: int) 说明按照 id 进⾏分组的，再往下看还有 sort order: + ，说明是按照 id 字段进⾏正序排序的。案例三：哪条sql执⾏效率⾼呢？
观察两条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语句输出的结果是⼀样的，但是哪条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有⼦查询，⼦查询会影响性能；
有⼈说第⼆条sql执⾏效率⾼，因为先过滤之后，在进⾏join时的条数减少了，所以执⾏效率就⾼了。
到底哪条sql效率⾼呢，我们直接在sql语句前⾯加上 explain，看下执⾏计划不就知道了嘛！
在第⼀条sql语句前加上 explain，得到如下结果
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: 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
group by的用法及原理详解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，得到如下结果
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，其他的执⾏计划完全⼀样，都是先进⾏ where 条件过滤，在进⾏ join 条件关联。说明 hive 底层会⾃动帮我们进⾏优化，所以这两条sql语句执⾏效率是⼀样的。
以上仅列举了3个我们⽣产中既熟悉⼜有点迷糊的例⼦，explain 还有很多其他的⽤途，如查看stage的依赖情况、排查数据倾斜、hive 调优等，⼩伙伴们可以⾃⾏尝试。
2. explain dependency的⽤法
explain dependency⽤于描述⼀段SQL需要的数据来源，输出是⼀个json格式的数据，⾥⾯包含以下两个部分的内容：input_partitions：描述⼀段SQL依赖的数据来源表分区，⾥⾯存储的是分区名的列表，如果整段SQL包含的所有表都是⾮分区表，则显⽰为空。
input_tables：描述⼀段SQL依赖的数据来源表，⾥⾯存储的是Hive表名的列表。
使⽤explain dependency查看SQL查询⾮分区普通表，在 hive cli 中输⼊以下命令：
explain dependency select s_age,count(1) num from student_orc;
得到结果：
{"input_partitions":[],"input_tables":[{"tablename":"default@student_tb _orc","tabletype":"MANAGED_TABLE"}]}
使⽤explain dependency查看SQL查询分区表，在 hive cli 中输⼊以下命令：
explain dependency select s_age,count(1) num from student_orc_partition;
得到结果：
{"input_partitions":[{"partitionName":"default@student_orc_partition@ part=0"},
{"partitionName":"default@student_orc_partition@part=1"},
{"partitionName":"default@student_orc_partition@part=2"},
{"partitionName":"default@student_orc_partition@part=3"},
{"partitionName":"default@student_orc_partition@part=4"},
{"partitionName":"default@student_orc_partition@part=5"},
{"partitionName":"default@student_orc_partition@part=6"},
{"partitionName":"default@student_orc_partition@part=7"},
{"partitionName":"default@student_orc_partition@part=8"},
{"partitionName":"default@student_orc_partition@part=9"}],
"input_tables":[{"tablename":"default@student_orc_partition", "tabletype":"MANAGED_TABLE"}]
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论