HiveSQL解析原理：包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作

最新推荐文章于 2023-09-07 09:50:36 发布

嗷嗷的特Man

最新推荐文章于 2023-09-07 09:50:36 发布

阅读量4k

点赞数 1

文章标签： mapreduce sql hive

本文链接：https://blog.csdn.net/weixin_43542605/article/details/122350875

版权

HiveSQL解析原理：包括SQL转化为MapReduce过程及MapReduce如何实现基本SQL操作

一、MapReduce实现基本SQL操作的原理
二、SQL转化为MapReduce的过程

Hive是基于Hadoop的一个数据仓库系统，在各大公司都有广泛的应用。大多数人在使用hive的过程中都会使用hive sql来查询数据，那么hive是怎么将sql语句变成我我们想要的数据呢？
阅读下面文章前，需要您先了解MapReduce的基本运行过程，如果您已经了解MapReduce的基本运行过程，那请您继续阅读。若您对MapReduce的基本运行过程不是很熟悉，请跳转到该链接【mapreduce过程】，阅读后再回来阅读下文内容。

一、MapReduce实现基本SQL操作的原理

详细讲解SQL编译为MapReduce之前，我们先来看看MapReduce框架实现SQL基本操作的原理。

1、join的实现原理

select 
	u.name,
	o.orderid 
from order o 
join user u 
on o.uid = u.uid;

hive的join分为Map Join和Reduce Join两种，他们的区别在于：Map Join的思想是将join中的小表复制到各个节点上，并加载到内存中；大表分片，与小表完成连接操作。
而Reduce Join的思想是将map端按照连接字段进行hash，reduce端完成连接操作。下面将详细介绍这两种的区别。

Map Join的实现原理

MapJoin简单说就是在Map阶段将小表读入内存，顺序扫描大表完成Join。

上图是Hive MapJoin的原理图，出自Facebook工程师Liyin Tang的一篇介绍Join优化的slice，从图中可以看出MapJoin分为两个阶段：

通过MapReduce Local Task，将小表读入内存，生成HashTableFiles上传至Distributed Cache中，这里会对HashTableFiles进行压缩。
MapReduce Job在Map阶段，每个Mapper从Distributed Cache读取HashTableFiles到内存中，顺序扫描大表，在Map阶段直接进行Join，将数据传递给下一个MapReduce任务。

如果Join的两张表一张表是临时表，就会生成一个ConditionalTask，在运行期间判断是否使用MapJoin

CommonJoinResolver优化器

CommonJoinResolver优化器就是将CommonJoin转化为MapJoin，转化过程如下

深度优先遍历Task Tree
找到JoinOperator，判断左右表数据量大小
对与小表 + 大表 => MapJoinTask，对于小/大表 + 中间表 => ConditionalTask

遍历上一个阶段生成的MapReduce任务，发现JOIN[8]中有一张表为临时表，先对Stage-2进行深度拷贝（由于需要保留原始执行计划为Backup
Plan，所以这里将执行计划拷贝了一份），生成一个MapJoinOperator替代JoinOperator，然后生成一个MapReduceLocalWork读取小表生成HashTableFiles上传至DistributedCache中。

MapReduceTask经过变换后的执行计划如下图所示

这种方法有明显的局限性：
有一份数据比较小，在map端，能够把它加载在内存，并进行join操作。

Reduce Join的实现原理

Map阶段
读取源表的数据，Map输出时候以Join on条件中的列为key，如果Join有多个关联键，则以这些关联键的组合作为key;
Map输出的value为join之后所关心的(select或者where中需要用到的)列；同时在value中还会包含表的Tag信息，用于标明此value对应哪个表；
按照key进行排序
Shuffle阶段
根据key的值进行hash,并将key/value按照hash值推送至不同的reduce中，这样确保两个表中相同的key位于同一个reduce中
Reduce阶段
根据key的值完成join操作，期间通过Tag来识别不同表中的数据。
这种方法有2个问题：
map阶段没有对数据瘦身，shuffle的网络传输和排序性能很低。
reduce端对2个集合做乘积计算，很耗内存，容易导致OOM。

3、Group By的实现原理

SELECT 
	name
   ,rank
   ,count(1) 	AS cnt 
FROM TEST 
GROUP BY name, rank;

Map阶段
map阶段的Key是group by字段的组合（这里是name和rank，如果SQL中存在distinct，则是group by字段外加distinct字段的组合）。如下图所示：
Shuffle阶段
该阶段会根据key进行sort排序（一般是字典排序），然后分配给不同的reduce去执行下一步操作，结果如下：

根据Shuffle出的不同key，可知会分配给三个Reduce，而针对第二个reduce任务，我们需要进一步的合并计算，因而整个流程如下：

注意：从上述过程中，我们可以发现：

Map阶段接收的数据量和计算量基本是恒定的，不会产生数据倾斜；
而Shuffle阶段我们基本不能控制，也不存在数据倾斜；
Reduce阶段会根据该key对应的数据量的不同，进行不同的计算量，上例中，第二个reduce需要一次合并计算，而13不需要计算，每个reduce的计算量不同，这便是数据倾斜，而最终的计算时间，取决于最慢的那个reduce。