Hive是如何让MapReduce实现SQL操作的

前面我们说过MapReduce的运算流程，整体架构方法，JobTracker与TaskTracker之间的通信协调关系等等。虽然知道我们只需要自己完成Map和Reduce就可以实现MapReduce的运算，但是还有很多人习惯使用SQL进行数据分析，MapReduce编程不是那么容易，因此就有了Hive的存在。

首先看看如何用MapReduce实现SQL数据分析。

MapReduce实现SQL的原理

先看一个简单的SQL语句：

	SELECT pageid, age, count(1) FROM pv_users GROUP BY pageid, age;

先来看看MapReduce实现SQL的原理。

具体数据输入和执行结果请看下图：

左边是要分析的表，右边是分析结果。实际上把左边表相同的行进行累计求和，就能得到右边的表，看起来和WordCount计算很类似，确实也是这样。

来看看这条SQL语句的MapReduce的计算过程：

1. 首先是Map的计算，先整理成map的形式，也就是<1,25>,<2,25>此类的，然后与count值进行结合成一个新的map，也就是<<2,25>,1>这样。
2. map的输出经过shuffle之后，相同的key value组合到一起，也就是<<2,25>,<1,1>>，<1,1>代表的是Value记录
3. 到了reduce阶段，进行聚合，也就是<<2,25>,2>

如下图：

在数据仓库中SQL是最常用的分析工具，既然一条SQL可以通过MapReduce程序实现，那么Hive也可以。
现在来看看一下Hive架构。

Hive的架构

Hive能够直接处理输入的SQL语句，调用MapReduce计算框架完成数据分析操作。来看看架构图：

通过Hive的Client向Hive提交SQL命令。

如果是创建数据表的DDL语句。Hive就会通过执行引擎Driver将数据表的信息记录在Metastore元数据组件中，这个组件通常用一个关系数据库实现，记录表名、字段名、字段类型、关联HDFS文件路径等这些数据库的Meta信息。

如果提交的是查询分析数据的DQL语句，Driver就会将该语句提交给自己的编译器Compiler进行语法分析、语法解析、语法优化等一系列操作，最后生成一个MapReduce执行计划，然后根据执行计划生成一个MapReduce的作业，提交给Hadoop MapReduce计算框架处理。

对于一个较简单的SQL命令，比如：

		SELECT * FROM status_updates WHERE status LIKE ‘michael jackson’;

对应的Hive执行计划如下图：

Hive内部预置了很多函数，Hive的执行计划就是根据SQL语句生成这些函数的DAG(有向无环图)，然后封装进MapReduce的map和reduce函数中。这个例子中，map函数调用了三个Hive内置函数:TableScanOperator、FilterOperator、FileOutputOperator，就完成了map计算，而且无需reduce函数。

Hive如何实现join操作

除了上面这些简单的聚合过滤操作，Hive还能执行连接(join on)操作。

		SELECT pageid , age,count(1) from pv_users group by pageid,age;

这是文章开头的SQL语句，pv_users表的数据在实际中是无法直接得到的，因为pageid数据来自用户访问日志，每个用户进行一次页面浏览，就会生成一条访问记录，保存在page_view表中。而age年龄信息则记录在用户表user中。pv_user表是和另一张表关联的，我们select的数据也来自不同的表，那么就需要join操作了，先看我所说的两张表：

假设是靠userid关联的，然后来重新表达一下新的SQL语句。

select pv.pageid,u.age 
from page_view pv 
join user u on (pv.userid = u.userid);

同样，这个SQL命令也可以转化为MapReduce计算，连接的过程如下图所示：

从图上看，join的MapReduce计算过程和前面的group by稍有不同，因为join涉及到两张表，来自两个文件，所以需要在map输出的时候进行标记，比如来自第一张表的输出Value就标记为<1,X>，1表示数据来自第一张表。

然后会进行shuffle，相同的key被输入到同一个reduce函数进行聚合，根据表的标记对value数据求笛卡尔积，用第一张表的每条记录和第二张表的每条记录连接，输出就是join的结果。

Hive的源码中join的时间复杂度O(n²)，对来自两张表的记录进行连接操作。

总结

随着大数据SQL的应用市场多样化之后更多的大数据SQL引擎也很火。

Cloudera开发了Impala，这是一种运行在HDFS上的MPP架构的SQL引擎。和MapReduce启动Map和Reduce两种执行过程，将计算分成两个阶段进行计算不同，Impala在所有DataNode服务器上部署相同的Impalad进程，多个Impalad进程相互协作，共同完成SQL计算，在一些统计场景中，Impala可以做到毫秒级的计算速度。

后来SparkSql出现了，引擎是基于Spark的，由于速度很快，快于Hive，所以后来Hive也兼容了Spark，可以在Spark上计算Hive的执行计划。总的来说这么多集群，做到技术嫁接，还是很有创新性的。