Hive底層原理：explain執行計劃詳解

五分鐘學大資料發表於2021-02-20
HiveAI

不懂hive中的explain，說明hive還沒入門，學會explain，能夠給我們工作中使用hive帶來極大的便利！

理論

本節將介紹 explain 的用法及引數介紹

HIVE提供了EXPLAIN命令來展示一個查詢的執行計劃,這個執行計劃對於我們瞭解底層原理，hive 調優，排查資料傾斜等很有幫助

使用語法如下：

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

explain 後面可以跟以下可選引數，注意：這幾個可選引數不是 hive 每個版本都支援的

  1. EXTENDED：加上 extended 可以輸出有關計劃的額外資訊。這通常是物理資訊，例如檔名。這些額外資訊對我們用處不大
  2. CBO：輸出由Calcite優化器生成的計劃。CBO 從 hive 4.0.0 版本開始支援
  3. 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，轉儲AST可能會導致OOM錯誤，將在4.0.0版本修復
  4. DEPENDENCY：dependency在EXPLAIN語句中使用會產生有關計劃中輸入的額外資訊。它顯示了輸入的各種屬性
  5. AUTHORIZATION：顯示所有的實體需要被授權執行（如果存在）的查詢和授權失敗
  6. LOCKS：這對於瞭解系統將獲得哪些鎖以執行指定的查詢很有用。LOCKS 從 hive 3.2.0 開始支援
  7. VECTORIZATION：將詳細資訊新增到EXPLAIN輸出中，以顯示為什麼未對Map和Reduce進行向量化。從 Hive 2.3.0 開始支援
  8. ANALYZE：用實際的行數註釋計劃。從 Hive 2.2.0 開始支援

在 hive cli 中輸入以下命令(hive 2.3.7)：

explain select sum(id) from test1;

得到結果（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

看完以上內容有什麼感受，是不是感覺都看不懂，不要著急，下面將會詳細講解每個引數，相信你學完下面的內容之後再看 explain 的查詢結果將遊刃有餘。

一個HIVE查詢被轉換為一個由一個或多個stage組成的序列（有向無環圖DAG）。這些stage可以是MapReduce stage，也可以是負責後設資料儲存的stage，也可以是負責檔案系統的操作（比如移動和重新命名）的stage。

我們將上述結果拆分看，先從最外層開始，包含兩個大的部分：

  1. stage dependencies： 各個stage之間的依賴性
  2. stage plan： 各個stage的執行計劃

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執行完成後執行Stage-0。

再看第二部分 stage plan，裡面有一個 Map Reduce，一個MR的執行計劃分為兩個部分：

  1. Map Operator Tree： MAP端的執行計劃樹
  2. Reduce Operator Tree： Reduce端的執行計劃樹

這兩個執行計劃樹裡面包含這條sql語句的 operator：

  1. map端第一個操作肯定是載入表，所以就是 TableScan 表掃描操作，常見的屬性：
    • alias： 表名稱
    • Statistics： 表統計資訊，包含表中資料條數，資料大小等
  2. Select Operator： 選取操作，常見的屬性 ：
    • expressions：需要的欄位名稱及欄位型別
    • outputColumnNames：輸出的列名稱
    • Statistics：表統計資訊，包含表中資料條數，資料大小等
  3. Group By Operator：分組聚合操作，常見的屬性：
    • aggregations：顯示聚合函式資訊
    • mode：聚合模式，值有 hash：隨機聚合，就是hash partition；partial：區域性聚合；final：最終聚合
    • keys：分組的欄位，如果沒有分組，則沒有此欄位
    • outputColumnNames：聚合之後輸出列名
    • Statistics： 表統計資訊，包含分組聚合之後的資料條數，資料大小等
  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 的條件欄位
    • outputColumnNames： join 完成之後輸出的欄位
    • Statistics： join 完成之後生成的資料條數，大小等
  7. File Output Operator：檔案輸出操作，常見的屬性
    • compressed：是否壓縮
    • table：表的資訊，包含輸入輸出檔案格式化方式，序列化方式等
  8. Fetch Operator 客戶端獲取資料操作，常見的屬性：
    • limit，值為 -1 表示不限制條數，其他值為限制的條數

好，學到這裡再翻到上面 explain 的查詢結果，是不是感覺基本都能看懂了。

實踐

本節介紹 explain 能夠為我們在生產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;

我們來看結果 (為了適應頁面展示，僅擷取了部分輸出資訊)：

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 時會自動過濾掉關聯欄位為 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 之後結果 (為了適應頁面展示，僅擷取了部分輸出資訊)

 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，裡面有 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 欄位進行正序排序的。

3. 哪條sql執行效率高呢？

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語句輸出的結果是一樣的，但是哪條sql執行效率高呢
有人說第一條sql執行效率高，因為第二條sql有子查詢，子查詢會影響效能
有人說第二條sql執行效率高，因為先過濾之後，在進行join時的條數減少了，所以執行效率就高了

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

大家有什麼發現，除了表別名不一樣，其他的執行計劃完全一樣，都是先進行 where 條件過濾，在進行 join 條件關聯。說明 hive 底層會自動幫我們進行優化，所以這兩條sql語句執行效率是一樣的。

最後

以上僅列舉了3個我們生產中既熟悉又有點迷糊的例子，explain 還有很多其他的用途，如檢視stage的依賴情況、排查資料傾斜、hive 調優等，小夥伴們可以自行嘗試。

相關文章