山大软工实践hive(3)-算子做了什么

2021SC@SDUSC

山大软工实践hive(3)-算子做了什么

目标

上一篇初步知道算子是什么，这一篇需要深入了解各算子

各算子

TS

扫描表以获取数据，但实际是Hadoop完成的表数据读取，该算子的作用是把从底层获取的数据传输给子节点处理

SEL

用于投影操作，对应select语句

FIL

用于投影，对应sql 的where语句

RS

mapReduce中间有个shuffle过程，实现map结果到reduce任务的映射采集，而RS算子实现了类似shuffle的功能，包括了数据采集（运用算法把数据分配给不同的reduce任务），排序方式（对数据按照key排序），输出数据

GBY

对应groupby

hive实现了两种聚合方式，而GBY基于这两种实现
1.hash聚合，用hash表把key值相同的数据聚合在一起（在读取表数据的时候通过hash表完成计算，避免了排序），不需要进行shuffle操作，但是只能做局部聚合，用于map端减少数据量，对应GBY->RS->GBY中第一个GBY
2.sort聚合，通过RS算子对数据排序分组，让具有相同key的数据被分到一组，然后对每组数据聚合。对应GBY->RS->GBY中第二个GBY

如果同时用groupby 与 orderby,则计算会用sort聚合（顺便排序）

基于hash聚合的实现

散列因子=散列条目数/总数，如果小于定的最小值（如0.5），则代表聚集效果不好，（如0.5时平均每个散列条目对应2条数据），则需要放弃hash转而使用sort聚合，这是用hashAggr变量区分。然后就进行局部聚合。对应下面的代码

在GBY process方法中的一段
 if (numRowsHashTbl > numRowsInput * minReductionHashAggr) {
          LOG.warn("Disable Hash Aggr: #hash table = " + numRowsHashTbl
              + " #total = " + numRowsInput + " reduction = " + 1.0
              * (numRowsHashTbl / numRowsInput) + " minReduction = "
              + minReductionHashAggr);
          flushHashTable(true);
          hashAggr = false;
          }
          
在 processKey方法中一段
 if (hashAggr) {
      newKeys.setHashKey();
      processHashAggr(row, rowInspector, newKeys);  对应hash聚合
    } else {
      processAggr(row, rowInspector, newKeys);  对应sort聚合
    }

基于sort聚合的实现

currentKey为groupby 分组中该分组的key值，newKey则是每次父节点传的条目对应的key值，也就是说，一旦newKey!=currentKey，就代表该组已完成，可以输出结果。反之，不断合并输入的局部聚合的结果
在process方法中进行了对newKeys的计算，而在processAggr中，进行了currentKey与newKey的比较，代码如下

processAggr中
boolean keysAreEqual = (currentKeys != null && newKeys != null)?
        newKeys.equals(currentKeys) : false;
        
    if (currentKeys != null && !keysAreEqual) {
      
      if (!conf.isDontResetAggrsDistinct()) {
        forward(currentKeys.getKeyArray(), aggregations);
        countAfterReport = 0;
      }
    }

实际过程

hashGBY负责把数据分开地进行局部聚合，通过RS算子 传输给sortGBY，然后全局聚合得到结果,比如

select id,count(word) from a group by id

元组形式如(0,a),(1,b)


这解释了为什么会有GBY->RS->GBY的结构

关于局部聚合

比如原本聚合数据中有相同key的数据，在key前面加上数字变成如1_key,2_key，再对这些数据聚合，得到(1_key,value1),(2_key,value2)。这一部分是局部聚合
之后去除前面部分，变成(key,value1),(key,value2)，再对数据聚合，得到最终结果。这部分是全局聚合
之所以要这样两阶段聚合，是为了防止数据倾斜（给某个任务节点分配的数据太多，导致性能下降）
上面是一种实现方式，至于hive应该是直接把数据分发给不同的map节点进行聚合，而不需要添加字段内容

JOIN

对应表的join运算


RS对数据分组排序，并且加上标签以区分数据来自哪个表，然后再由join算子进行join运算

不过JOIN算子有很多种如CommonJoinOperator,CommonMergeJoinOperator等等，这将在下一节区分

下一步

算子源码分析得并不详细，因为一难以找到上层谁调用该方法，二找到了也不知道上层在干嘛，三是变量方法太多了，如果不参考别人博客的解析，实在寸步难行。所以下一步做什么主要看参考博客下一步做什么。

参考

魔鬼_的博客

jiayuanv_127的博客