一、 Hive 底层执行架构

1） Hive简介

•  Hive是Facebook实现的一个开源的数据仓库工具。
• 将结构化的数据文件映射为数据库表，并提供HQL查询功能，将HQL语句转化为MapReduce任务运行

2） Hive本质：将 HQL 转化成 MapReduce 程序

• Hive 处理的数据存储在 HDFS
• Hive 分析数据底层的实现是 MapReduce
• 执行程序运行在 Yarn 上

1.1 Hive底层架构

• 用户接口：Client

1. CLI：shell命令行
2. JDBC/ODBC：Hive中的Thrift服务器允许外部客户端通过网络与Hive进行交互，类似于JDBC或ODBC协议
3. WEBUI：通过浏览器访问Hive

上图的基本流程是：

• 步骤1：Client 客户端调用 Driver的接口；
• 步骤2：Driver驱动器为查询创建会话句柄，并将查询发送到 Compiler(编译器组件)生成执行计划；
• 步骤3和4：编译器从元数据存储库中获取本次查询所需要的元数据；
• 步骤5：编译器生成各个阶段Stage的执行计划，如果是一个MR任务，该执行计划分为两部分：Map Operator Tree（map端的执行计划树）和Reduce Operator Tree（reduce端的执行计划树）,再将生成的逻辑执行计划发给Driver；
• 步骤6：Driver将逻辑执行计划发给执行引擎Execution Engine；（将逻辑执行计划转化成具体的物理执行计划，即mr任务）

步骤6.1 / 6.2  /6.3 /6.4：执行引擎将这些阶段Stage的具体执行内容提交给对应的组件。在每个 Task(mapper/reducer) 任务中，从HDFS文件中读取与表相关的数据，并通过算子树依次传递。最终的数据集借助序列化器写入到临时的HDFS文件中。

• 步骤7、8：临时HDFS文件的内容由执行引擎读取后，通过Driver将查询结果发送给Client 客户端

简化版本：

总结：Hive通过给用户提供的一系列交互接口，接收到用户的指令（sql）,使用自己的driver，结合元数据（metastore）,将这些指令翻译成 mapreduce任务，提交到hadoop中执行，最后将执行返回的结果输出到用户交互接口。

二、Hive SQL 编译成MR任务的流程

2.1 HQL转换为MR源码整体流程介绍

2.2 程序入口—CliDriver

我们执行一个 HQL 语句通常有以下几种方式：

• $HIVE_HOME/bin/hive进入客户端，然后执行HQL；
• $HIVE_HOME/bin/hive -e “hql”；
• $HIVE_HOME/bin/hive -fhive.sql；
• 先开启hivesever2服务端，然后通过JDBC方式连接远程提交HQL。

 可以知道我们执行 HQL 主要依赖于 $HIVE_HOME/bin/hive  和  $HIVE_HOME/bin/

而在这两个脚本中，最终启动的 JAVA 程序的主类为

“ org.apache.hadoop.hive.cli.CliDriver ” ，所以其实 Hive程序的入口就是“CliDriver ”这个类。

2.3 HQL编译成MR任务的详细过程—Driver

2.3.1 将HQL语句转换成AST抽象语法树

     词法、语法解析:

          Antlr 定义 SQL 的语法规则，完成 SQL 词法，语法解析，将 SQL 转化为抽象语法树 AST Tree；

 例如：AST如下图：

2.3.2 将AST转换成TaskTree

•    语义解析

         遍历 AST Tree，抽象出一条SQL最基本组成单元 QueryBlock（查询块），该块包括三个部分：输入源，计算过程，输出。简单而言一个QueryBlock就是一个子查询。

•    生成逻辑执行计划

         遍历 QueryBlock，翻译为执行操作树 OperatorTree（操作树，也就是逻辑执行计划）；Hive最终生成的MapReduce任务，Map阶段和Reduce阶段均由OperatorTree组成。

基本的操作符包括：

1. TableScanOperator

2. SelectOperator

3. FilterOperator

4. JoinOperator

5. GroupByOperator

6. ReduceSinkOperator

     Operator操作算子在Map Reduce阶段之间的数据传递是一个流式的过程。每一个Operator对一行数据操作之后将数据传递给childOperator计算。

      由于Join/GroupBy需要在Reduce阶段完成，所以在生成相应操作的Operator之前都会先生成一个ReduceSinkOperator，将字段组合并序列化为Reduce KeyReduce /value, Partition Key。

• 优化逻辑执行计划

      逻辑优化器对OperatorTree（操作树）进行逻辑优化。例如合并不必要的ReduceSinkOperator，减少数据传输及 shuffle 数据量； 

 ​​​​​​   Hive中的逻辑查询优化可以大致分为以下几类：

1. 投影修剪

2. 谓词下推

3. 多路 Join

•  生成物理执行计划

       遍历 OperatorTree，转换成TaskTree（任务树，即物理执行计划）即MR任务。生成物理执行计划即是将逻辑执行计划生成的OperatorTree转化为MapReduce Job的过程。

 HQL编译成MapReduce具体原理

  （1） hive.fetch.task.conversion参数

 在Hive中，有些简单任务既可以转化为MR任务，也可以Fetch本地抓取，即直接读取table对应的hdfs存储目录下文件得到结果，通过hive.fetch.task.conversion参数配置。默认情况使用参数more，例如：SELECT、FILTER、LIMIT等简单查找都使用Fetch本地抓取，而其他复杂sql转为MR任务。

 （2）转化为MR任务的SQL

       需要转换成MR任务的sql通常会涉及到key值的shuffle，例如：join、groupby、distinct等，接下来介绍此三种情况的sql转化。

• JOIN

JOIN任务转化为MR任务的流程如下：

• Map： 生成键值对，以join on 条件中的列作为key，以join之后所关心的列作为value值，在value中还会包含表的Tag信息，用于标明此value对应哪张表
• Shuffle： 根据key值进行hash分区, 按照hash值将键值对（key-value）发送到不同的reducer中
• Reduce：Reducer通过Tag来识别不同的表中的数据，根据key值进行join操作

  以下列sql为例：

SELECT pageid, 
       age 
FROM page_view 
JOIN userinfo 
ON page_view.userid = userinfo.userid; 

 sql转化为mr任务流程如下图：

•  GROUP BY

  GROUP BY任务转化为MR任务的流程如下：

• Map： 生成键值对，以GROUP BY条件中的列作为key，以聚集函数的结果作为value
• Shuffle： 根据key值进行hash分区, 按照hash值将键值对（key-value）发送到不同的reducer中
• Reduce：根据SELECT子句的列以及聚集函数进行Reduce

以下列sql为例：

SELECT pageid,
       COUNT(1) as num
FROM page_view
GROUP BY pageid;

sql转化为mr任务流程如下图：

• DISTINCT

      与GROUP BY操作相同，只是键值对中的value可为空。

以下列sql为例：

SELECT DISTINCT pageid FROM page_view;

待补充~

• 优化物理执行计划 

       物理优化器对进行TaskTree（任务树，即物理执行计划）进行物理优化；

Hive中的物理优化可以大致分为以下几类：

1. 分区修剪(Partition Pruning)

2. 基于分区和桶的扫描修剪(Scan pruning)

3. 在某些情况下，在 mapper端进行 Group By分组的预聚合

4. 在 mapper端执行Join（map join）

5. 如果是简单的select查询，可以设置为本地执行，避免使用MapReduce作业

    经过2.3.1 及2.3.2 这六个阶段，HQL就被解析映射成了集群上的 MR任务。

2.3.3 提交任务并执行

• 获取MR临时工作目录
• 定义Partitioner
• 定义Mapper和Reducer
• 实例化Job任务
• 提交Job任务并执行