写点什么

Hive 底层 explain 执行计划详解

  • 2022 年 1 月 20 日
  • 本文字数:8732 字

    阅读完需:约 29 分钟

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
复制代码

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

  1. 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

  2. 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

  3. 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

  4. 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

  5. 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

  6. 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

  7. 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

  8. 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;
复制代码

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
复制代码

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. 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

  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

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;
复制代码

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;
复制代码

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) ...
复制代码

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;
复制代码

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) ...
复制代码

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_nameFROM    test1 aJOIN test2 b ON a.id = b.idWHERE    a.id > 2;
复制代码


SELECT    a.id,    b.user_nameFROM    (SELECT * FROM test1 WHERE id > 2) aJOIN test2 b ON a.id = b.id;
复制代码

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;OKExplainSTAGE 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
复制代码

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;OKExplainSTAGE 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
复制代码

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。

用户头像

InfoQ签约作者 2020.11.10 加入

文章首发于公众号:五分钟学大数据。大数据领域原创技术号,深入大数据技术

评论

发布
暂无评论
Hive底层 explain 执行计划详解