HiveSQL底层Mapreduce的执行过程

select 语句执行

分析购买苹果手机iphone7的情况

select order_id,buyer_id,cate_name from order_table where day='20170101' and cate_name='iphone7';

输入分片：在实际项目中，订单表通常会进行分区，一般按照自然天进行分区，SQL限制day=20170101实际上就限制了day=20170101的分区文件（如果不限制分区条件的话，hadoop会读取订单的所有文件，假如有两年730天的订单，那么就会读取这两年的所有订单文件，这就是上面所说的不恰当的Hive SQL，这就会给Hadoop集群带来很多不必要的成本和开销）

Map阶段：Map任务的个数由分片的个数决定，每个Map任务接收自己的分区文件，并在map函数中进行检查：商品类是否为iphone7?不是的话，将其过滤；是的话，获取select语句指定的列值，并保存在本地文件中

Shuffle和Reduce:此SQL任务不涉及数据的重新分发与分布，不需要启动任何的Reduce任务

输出文件：直接合并Map任务的输出文件到输出目录

group by语句执行
分析购买iphone7客户在1各城市中的分布情况

select city,count(order_id) as iphone7_count from orders_table where day='20170101' and cate_name='iphone7' group by city; 

Hive SQL的group by 语句涉及数据的重新分发与分布，因此其执行过程完整的包含了MapReduce任务的执行过程

输入分片：文件依然是day=20170101的分区文件，其输入分片和个数同select语句

Map阶段：Hadoop集群同样启动三个Map任务，处理对应的三个分区文件，每个map任务处理其对应分片文件中的每行，检查其商品类目是否是iphone7,如果是，则输出<city,1>的键值对，如果不是则不write

Combiner：如果指定了Combiner操作,其好处是可以去除冗余输出，避免不必要的的后续处理的网络传输开销等。但是Combiner操作时有风险的，使用它的原则是Combiner的输出不会影响到Reduce计算的最终输出。例如：如果是求总数、最大值、最小值、可以使用它，但是如果在求平均值的时候用它，那么最终的结果可以会出错。

Shuffle与Reduce 阶段：将每个Map Task将相同城市的数据进行聚合

输出文件：合并Reduce Task任务的输出文件合并到输出目录

join语句执行

分析购买iphone7的客户的年龄分布情况，订单表只包含了客户的ID，客户的年龄保存在另一个买家表中，使用join

select t1.order_id,t1.buyer_id,t2.age
from 
(select order_id,buyer_id from orders_table where day='20170101' and cate_name='iphone7' ) t1
join
(select buyer_id,age from buyer_table where buyer_status='有效') t2
on t1.buyer_id=t2.buyer_id

输入分片：输入文件为第一个MapReduce和第二个MapReduce任务的输出文件

Map阶段：集群会对两个输出文件启动相应数量的MapTask，比如第一个输出文件包含了两个split，那么第一个输出文件就会启动两个map task

shuffle阶段：shuffle过程主要是partition，即根据其join的列进行数据的重新分布分发的过程。join语句partition列即为join的列，在此为buyer_id，因此对于输出文件1和输出文件2对应的所有Map任务，其输出会根据buyer_id的值进行数据的重新分发与发布

reduce阶段：是根据join键值将其他列关联进来的过程，MapTask1-1的order_id=1003 buyer_id=222的行会被分发到ReduceTask1上，而MapTask2-1的buyer_id=222 age=25的列也会被分发到Reduce Task1上，此时Reduce Task1就根据buyer_id将它们的值关联合并为一行，并写入本地的结果文件中

输出文件：合并ReduceTask任务的输出文件到输出目录，在本例中只需将每两个Reduce Task的本地输出合并到输出目录即可

以上摘自《离线和实时开发大数据实战》朱松岭著