Hive底层原理：explain执行计划详解

不懂hive中的explain，说明hive还没入门，学会explain，能够给我们工作中使用hive带来极大的便利！

理论

本节将介绍 explain 的用法及参数介绍

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

explain 后面可以跟以下可选参数，注意：这几个可选参数不是 hive 每个版本都支持的

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
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
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
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
AUTHORIZATION：显示所有的实体需要被授权执行（如果存在）的查询和授权失败
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
VECTORIZATION：将详细信息添加到EXPLAIN输出中，以显示为什么未对Map和Reduce进行矢量化。从 Hive 2.3.0 开始支持
ANALYZE：用实际的行数注释计划。从 Hive 2.2.0 开始支持

在 hive cli 中输入以下命令(hive 2.3.7)：

explain select sum(id) from test1;

得到结果（请逐行看完，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：

stage dependencies：各个stage之间的依赖性
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：

Map Operator Tree： MAP端的执行计划树
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：

map端第一个操作肯定是加载表，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，包含表中数据条数，数据大小等
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
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
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
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)
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
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
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

好，学到这里再翻到上面 explain 的查询结果，是不是感觉基本都能看懂了。

实践

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

1. 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

 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 是不会自动过滤的，大家可以自行尝试下。

2. 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。

3. 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 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，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。

最后

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。