Hive底层原理：explain执行计划详解

骑猪看日落 2022-10-31 12:10 189阅读 0赞

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！【要源码请SI\`XIN】【不想排版，不想排版，不想排版】

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：

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。

1.  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。

1.  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:  
 h d t hdt hdt\_0:a  
Fetch Operator  
limit: -1  
Alias -> Map Local Operator Tree:  
 h d t hdt 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:  
 h d t hdt hdt\_0:test1  
Fetch Operator  
limit: -1  
Alias -> Map Local Operator Tree:  
 h d t hdt 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-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。