HiveSQL解析過程詳解

Hive是基於Hadoop的一個數據倉庫系統，在各大公司都有廣泛的應用。美團數據倉庫也是基於Hive搭建，每天執行近萬次的Hive ETL計算流程，負責每天數百GB的數據存儲和分析。Hive的穩定性和性能對我們的數據分析非常關鍵。

在幾次升級Hive的過程中，我們遇到了一些大大小小的問題。通過向社區的諮詢和自己的努力，在解決這些問題的同時我們對Hive將SQL編譯爲MapReduce的過程有了比較深入的理解。對這一過程的理解不僅幫助我們解決了一些Hive的bug，也有利於我們優化Hive SQL，提升我們對Hive的掌控力，同時有能力去定製一些需要的功能。

MapReduce實現基本SQL操作的原理

詳細講解SQL編譯爲MapReduce之前，我們先來看看MapReduce框架實現SQL基本操作的原理

Join的實現原理

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

在map的輸出value中爲不同表的數據打上tag標記，在reduce階段根據tag判斷數據來源。MapReduce的過程如下（這裏只是說明最基本的Join的實現，還有其他的實現方式）

Group By的實現原理

select rank, isonline, count(*) from city group by rank, isonline;

將GroupBy的字段組合爲map的輸出key值，利用MapReduce的排序，在reduce階段保存LastKey區分不同的key。MapReduce的過程如下（當然這裏只是說明Reduce端的非Hash聚合過程）

Distinct的實現原理

select dealid, count(distinct uid) num from order group by dealid;

當只有一個distinct字段時，如果不考慮Map階段的Hash GroupBy，只需要將GroupBy字段和Distinct字段組合爲map輸出key，利用mapreduce的排序，同時將GroupBy字段作爲reduce的key，在reduce階段保存LastKey即可完成去重

如果有多個distinct字段呢，如下面的SQL

select dealid, count(distinct uid), count(distinct date) from order group by dealid;

實現方式有兩種：

（1）如果仍然按照上面一個distinct字段的方法，即下圖這種實現方式，無法跟據uid和date分別排序，也就無法通過LastKey去重，仍然需要在reduce階段在內存中通過Hash去重

（2）第二種實現方式，可以對所有的distinct字段編號，每行數據生成n行數據，那麼相同字段就會分別排序，這時只需要在reduce階段記錄LastKey即可去重。

這種實現方式很好的利用了MapReduce的排序，節省了reduce階段去重的內存消耗，但是缺點是增加了shuffle的數據量。

需要注意的是，在生成reduce value時，除第一個distinct字段所在行需要保留value值，其餘distinct數據行value字段均可爲空。

SQL轉化爲MapReduce的過程

瞭解了MapReduce實現SQL基本操作之後，我們來看看Hive是如何將SQL轉化爲MapReduce任務的，整個編譯過程分爲六個階段：

Antlr定義SQL的語法規則，完成SQL詞法，語法解析，將SQL轉化爲抽象語法樹AST Tree
遍歷AST Tree，抽象出查詢的基本組成單元QueryBlock
遍歷QueryBlock，翻譯爲執行操作樹OperatorTree
邏輯層優化器進行OperatorTree變換，合併不必要的ReduceSinkOperator，減少shuffle數據量
遍歷OperatorTree，翻譯爲MapReduce任務
物理層優化器進行MapReduce任務的變換，生成最終的執行計劃

下面分別對這六個階段進行介紹

Phase1 SQL詞法，語法解析

Antlr

Hive使用Antlr實現SQL的詞法和語法解析。Antlr是一種語言識別的工具，可以用來構造領域語言。
這裏不詳細介紹Antlr，只需要瞭解使用Antlr構造特定的語言只需要編寫一個語法文件，定義詞法和語法替換規則即可，Antlr完成了詞法分析、語法分析、語義分析、中間代碼生成的過程。

Hive中語法規則的定義文件在0.10版本以前是Hive.g一個文件，隨着語法規則越來越複雜，由語法規則生成的Java解析類可能超過Java類文件的最大上限，0.11版本將Hive.g拆成了5個文件，詞法規則HiveLexer.g和語法規則的4個文件 SelectClauseParser.g，FromClauseParser.g，IdentifiersParser.g，HiveParser.g。

抽象語法樹AST Tree

經過詞法和語法解析後，如果需要對表達式做進一步的處理，使用 Antlr 的抽象語法樹語法Abstract Syntax Tree，在語法分析的同時將輸入語句轉換成抽象語法樹，後續在遍歷語法樹時完成進一步的處理。

下面的一段語法是Hive SQL中SelectStatement的語法規則，從中可以看出，SelectStatement包含select, from, where, groupby, having, orderby等子句。
（在下面的語法規則中，箭頭表示對於原語句的改寫，改寫後會加入一些特殊詞標示特定語法，比如TOK_QUERY標示一個查詢塊）


selectStatement

   :

   selectClause

   fromClause

   whereClause?

   groupByClause?

   havingClause?

   orderByClause?

   clusterByClause?

   distributeByClause?

   sortByClause?

   limitClause?
-> ^(TOK_QUERY fromClause ^(TOK_INSERT ^(TOK_DESTINATION ^(TOK_DIR TOK_TMP_FILE))

                     selectClause
whereClause? groupByClause? havingClause? orderByClause? clusterByClause?

                     distributeByClause?
sortByClause? limitClause?))

   ;

樣例SQL

爲了詳細說明SQL翻譯爲MapReduce的過程，這裏以一條簡單的SQL爲例，SQL中包含一個子查詢，最終將數據寫入到一張表中


FROM

(

  SELECT

    p.datekey
datekey,

    p.userid
userid,

    c.clienttype

  FROM

    detail.usersequence_client
c

    JOIN fact.orderpayment
p ON p.orderid
= c.orderid

    JOIN default.user du ON du.userid
= p.userid

  WHERE p.datekey
= 20131118

)
base

INSERT OVERWRITE TABLE `test`.`customer_kpi`

SELECT

  base.datekey,

  base.clienttype,

  count(distinct base.userid)
buyer_count

GROUP BY base.datekey,
base.clienttype

SQL生成AST Tree

Antlr對Hive SQL解析的代碼如下，HiveLexerX，HiveParser分別是Antlr對語法文件Hive.g編譯後自動生成的詞法解析和語法解析類，在這兩個類中進行復雜的解析。


HiveLexerX
lexer = new HiveLexerX(new ANTLRNoCaseStringStream(command));    //詞法解析，忽略關鍵詞的大小寫

TokenRewriteStream
tokens = new TokenRewriteStream(lexer);

if
(ctx != null)
{

  ctx.setTokenRewriteStream(tokens);

}

HiveParser
parser = new HiveParser(tokens);                                 //語法解析

parser.setTreeAdaptor(adaptor);

HiveParser.statement_return
r = null;

try
{

  r
= parser.statement();                                                   //轉化爲AST Tree

}
catch (RecognitionException e) {

  e.printStackTrace();

  throw
new ParseException(parser.errors);

}

最終生成的AST Tree如下圖右側（使用Antlr Works生成，Antlr Works是Antlr提供的編寫語法文件的編輯器），圖中只是展開了骨架的幾個節點，沒有完全展開。
子查詢1/2，分別對應右側第1/2兩個部分。

這裏注意一下內層子查詢也會生成一個TOK_DESTINATION節點。請看上面SelectStatement的語法規則，這個節點是在語法改寫中特意增加了的一個節點。原因是Hive中所有查詢的數據均會保存在HDFS臨時的文件中，無論是中間的子查詢還是查詢最終的結果，Insert語句最終會將數據寫入表所在的HDFS目錄下。

詳細來看，將內存子查詢的from子句展開後，得到如下AST Tree，每個表生成一個TOK_TABREF節點，Join條件生成一個“=”節點。其他SQL部分類似，不一一詳述。

Phase2 SQL基本組成單元QueryBlock

AST Tree仍然非常複雜，不夠結構化，不方便直接翻譯爲MapReduce程序，AST Tree轉化爲QueryBlock就是將SQL進一部抽象和結構化。

QueryBlock

QueryBlock是一條SQL最基本的組成單元，包括三個部分：輸入源，計算過程，輸出。簡單來講一個QueryBlock就是一個子查詢。

下圖爲Hive中QueryBlock相關對象的類圖，解釋圖中幾個重要的屬性

QB#aliasToSubq（表示QB類的aliasToSubq屬性）保存子查詢的QB對象，aliasToSubq key值是子查詢的別名
QB#qbp 即QBParseInfo保存一個基本SQL單元中的給個操作部分的AST Tree結構，QBParseInfo#nameToDest這個HashMap保存查詢單元的輸出，key的形式是inclause-i（由於Hive 支持Multi Insert語句，所以可能有多個輸出），value是對應的ASTNode節點，即TOK_DESTINATION節點。類QBParseInfo其餘 HashMap屬性分別保存輸出和各個操作的ASTNode節點的對應關係。
QBParseInfo#JoinExpr保存TOK_JOIN節點。QB#QBJoinTree是對Join語法樹的結構化。
QB#qbm保存每個輸入表的元信息，比如表在HDFS上的路徑，保存表數據的文件格式等。
QBExpr這個對象是爲了表示Union操作。

AST Tree生成QueryBlock

AST Tree生成QueryBlock的過程是一個遞歸的過程，先序遍歷AST Tree，遇到不同的Token節點，保存到相應的屬性中，主要包含以下幾個過程

TOK_QUERY => 創建QB對象，循環遞歸子節點
TOK_FROM => 將表名語法部分保存到QB對象的TOK_INSERT => 循環遞歸子節點
TOK_DESTINATION => 將輸出目標的語法部分保存在QBParseInfo對象的nameToDest屬性中
TOK_SELECT => 分別將查詢表達式的語法部分保存在destToAggregationExprs、TOK_WHERE => 將Where部分的語法保存在QBParseInfo對象的destToWhereExpr屬性中

最終樣例SQL生成兩個QB對象，QB對象的關係如下，QB1是外層查詢，QB2是子查詢

QB1 \ QB2

Phase3 邏輯操作符Operator

Operator

Hive最終生成的MapReduce任務，Map階段和Reduce階段均由OperatorTree組成。邏輯操作符，就是在Map階段或者Reduce階段完成單一特定的操作。

基本的操作符包括TableScanOperator，SelectOperator，FilterOperator，JoinOperator，GroupByOperator，ReduceSinkOperator

從名字就能猜出各個操作符完成的功能，TableScanOperator從MapReduce框架的Map接口原始輸入表的數據，控制掃描表的數據行數，標記是從原表中取數據。JoinOperator完成Join操作。FilterOperator完成過濾操作

ReduceSinkOperator將Map端的字段組合序列化爲Reduce Key/value, Partition Key，只可能出現在Map階段，同時也標誌着Hive生成的MapReduce程序中Map階段的結束。

Operator在Map Reduce階段之間的數據傳遞都是一個流式的過程。每一個Operator對一行數據完成操作後之後將數據傳遞給childOperator計算。

Operator類的主要屬性和方法如下

RowSchema表示Operator的輸出字段
InputObjInspector outputObjInspector解析輸入和輸出字段
processOp接收父Operator傳遞的數據，forward將處理好的數據傳遞給子Operator處理
Hive每一行數據經過一個Operator處理之後，會對字段重新編號，colExprMap記錄每個表達式經過當前Operator處理前後的名稱對應關係，在下一個階段邏輯優化階段用來回溯字段名
由於Hive的MapReduce程序是一個動態的程序，即不確定一個MapReduce Job會進行什麼運算，可能是Join，也可能是GroupBy，所以Operator將所有運行時需要的參數保存在OperatorDesc 中，OperatorDesc在提交任務前序列化到HDFS上，在MapReduce任務執行前從HDFS讀取並反序列化。Map階段 OperatorTree在HDFS上的位置在Job.getConf(“hive.exec.plan”)
+ “/map.xml”

QueryBlock生成Operator Tree

QueryBlock生成Operator Tree就是遍歷上一個過程中生成的QB和QBParseInfo對象的保存語法的屬性，包含如下幾個步驟：

QB#aliasToSubq => 有子查詢，遞歸調用
QB#aliasToTabs => TableScanOperator
QBParseInfo#joinExpr => QBJoinTree => ReduceSinkOperator + JoinOperator
QBParseInfo#destToWhereExpr => FilterOperator
QBParseInfo#destToGroupby => ReduceSinkOperator + GroupByOperator
QBParseInfo#destToOrderby => ReduceSinkOperator + ExtractOperator

由於Join/GroupBy/OrderBy均需要在Reduce階段完成，所以在生成相應操作的Operator之前都會先生成一個ReduceSinkOperator，將字段組合並序列化爲Reduce Key/value, Partition Key

接下來詳細分析樣例SQL生成OperatorTree的過程

先序遍歷上一個階段生成的QB對象

首先根據子QueryBlock TableScanOperator(“dim.user”) TS[0] TableScanOperator(“detail.usersequence_client”) TS[1] TableScanOperator(“fact.orderpayment”) TS[2]
先序遍歷QBJoinTree，類QBJoinTree保存左右表的ASTNode和這個查詢的別名，最終生成的查詢樹如下
```
    base
    /  \
   p    du
  /      \
 c        p
```

前序遍歷detail.usersequence_client和

圖中 TS=TableScanOperator RS=ReduceSinkOperator JOIN=JoinOperator

生成中間表與dim.user的Join操作樹

根據QB2 FilterOperator。此時QB2遍歷完成。

下圖中SelectOperator在某些場景下會根據一些條件判斷是否需要解析字段。

圖中 FIL= FilterOperator SEL= SelectOperator

根據QB1的QBParseInfo#destToGroupby生成ReduceSinkOperator + GroupByOperator

圖中 GBY= GroupByOperator
GBY[12]是HASH聚合，即在內存中通過Hash進行聚合運算

最終都解析完後，會生成一個FileSinkOperator，將數據寫入HDFS

圖中FS=FileSinkOperator

Phase4 邏輯層優化器

大部分邏輯層優化器通過變換OperatorTree，合併操作符，達到減少MapReduce Job，減少shuffle數據量的目的。

② MapJoinProcessor

② GroupByOptimizer

① PredicatePushDown

ColumnPruner

名稱	作用
② SimpleFetchOptimizer	優化沒有GroupBy表達式的聚合查詢
MapJoin，需要SQL中提供hint，0.11版本已不用
② BucketMapJoinOptimizer	BucketMapJoin
Map端聚合
① ReduceSinkDeDuplication	合併線性的OperatorTree中partition/sort key相同的reduce
謂詞前置
① CorrelationOptimizer	利用查詢中的相關性，合併有相關性的Job，HIVE-2206
字段剪枝

表格中①的優化器均是一個Job幹儘可能多的事情/合併。②的都是減少shuffle數據量，甚至不做Reduce。

CorrelationOptimizer優化器非常複雜，都能利用查詢中的相關性，合併有相關性的Job，參考 Hive Correlation Optimizer

對於樣例SQL，有兩個優化器對其進行優化。下面分別介紹這兩個優化器的作用，並補充一個優化器ReduceSinkDeDuplication的作用

PredicatePushDown優化器

斷言判斷提前優化器將OperatorTree中的FilterOperator提前到TableScanOperator之後

NonBlockingOpDeDupProc優化器

ReduceSinkDeDuplication優化器

ReduceSinkDeDuplication可以合併線性相連的兩個RS。實際上CorrelationOptimizer是 ReduceSinkDeDuplication的超集，能合併線性和非線性的操作RS，但是Hive先實現的 ReduceSinkDeDuplication

譬如下面這條SQL語句

from (select key, value from src group by key, value) s select s.key group by s.key;

經過前面幾個階段之後，會生成如下的OperatorTree，兩個Tree是相連的，這裏沒有畫到一起

這時候遍歷OperatorTree後能發現前前後兩個RS輸出的Key值和PartitionKey如下

parentRS

	Key	PartitionKey
childRS	key	key
key,value	key,value

ReduceSinkDeDuplication優化器檢測到：1. pRS Key完全包含cRS Key，且排序順序一致；2. pRS PartitionKey完全包含cRS PartitionKey。符合優化條件，會對執行計劃進行優化。

ReduceSinkDeDuplication將childRS和parentheRS與childRS之間的Operator刪掉，保留的RS的Key爲key,value字段，PartitionKey爲key字段。合併後的OperatorTree如下：

Phase5 OperatorTree生成MapReduce Job的過程

OperatorTree轉化爲MapReduce Job的過程分爲下面幾個階段

對輸出表生成MoveTask
從OperatorTree的其中一個根節點向下深度優先遍歷
ReduceSinkOperator標示Map/Reduce的界限，多個Job間的界限
遍歷其他根節點，遇過碰到JoinOperator合併MapReduceTask
生成StatTask更新元數據
剪斷Map與Reduce間的Operator的關係

對輸出表生成MoveTask

由上一步OperatorTree只生成了一個FileSinkOperator，直接生成一個MoveTask，完成將最終生成的HDFS臨時文件移動到目標表目錄下

MoveTask[Stage-0] Move Operator

開始遍歷

將OperatorTree中的所有根節點保存在一個toWalk的數組中，循環取出數組中的元素（省略QB1，未畫出）

取出最後一個元素TS[p]放入棧 opStack{TS[p]}中

Rule #1 TS% 生成MapReduceTask對象，確定MapWork

發現棧中的元素符合下面規則R1（這裏用python代碼簡單表示）

"".join([t + "%" for t in opStack]) == "TS%"

生成一個MapReduceTask[Stage-1]對象的MapReduceTask[Stage-1]包含了以

Rule #2 TS%.*RS% 確定ReduceWork

繼續遍歷TS[p]的子Operator，將子Operator存入棧opStack中
當第一個RS進棧後，即棧opStack = {TS[p], FIL[18], RS[4]}時，就會滿足下面的規則R2

"".join([t + "%" for t in opStack]) == "TS%.*RS%"

這時候在ReduceWork屬性保存

Rule #3 RS%.*RS% 生成新MapReduceTask對象，切分MapReduceTask

繼續遍歷JOIN[5]的子Operator，將子Operator存入棧opStack中

當第二個RS放入棧時，即當棧"".join([t + "%" for t in opStack]) == “RS%.*RS%” //循環遍歷opStack的每一個後綴數組

這時候創建一個新的JOIN[5]和JOIN[5]生成一個子OperatorRS[6]生成一個MapReduceTask[Stage-2]對象的TS[20]的引用。

新生成的

繼續遍歷RS[6]的子Operator，將子Operator存入棧opStack中

當同理生成

R4 FS% 連接MapReduceTask與MoveTask

最終將所有子Operator存入棧中之後，"".join([t + "%" for t in opStack]) == “FS%”

這時候將MapReduceTask[Stage-3]連接起來，並生成一個

合併Stage

此時並沒有結束，還有兩個根節點沒有遍歷。

將opStack棧清空，將toWalk的第二個元素加入棧。會發現MapReduceTask[Stage-5]

繼續從opStack={TS[du], RS[7]}時，滿足規則R2 TS%.*RS%

此時將MapReduceTask[Stage-5]的Map<Operator, MapReduceWork>對象中發現，MapReduceTask[Stage-2]和

同理從最後一個根節點

切分Map Reduce階段

最後一個階段，將MapWork和ReduceWork中的OperatorTree以RS爲界限剪開

OperatorTree生成MapReduceTask全貌

最終共生成3個MapReduceTask，如下圖

Phase6 物理層優化器

這裏不詳細介紹每個優化器的原理，單獨介紹一下MapJoin的優化器

SortMergeJoinResolver

CommonJoinResolver + MapJoinResolver

名稱	作用
Vectorizer	HIVE-4160，將在0.13中發佈
與bucket配合，類似於歸併排序
SamplingOptimizer	並行order by優化器，在0.12中發佈
MapJoin優化器

MapJoin原理

MapJoin簡單說就是在Map階段將小表讀入內存，順序掃描大表完成Join。

上圖是Hive MapJoin的原理圖，出自Facebook工程師Liyin Tang的一篇介紹Join優化的slice，從圖中可以看出MapJoin分爲兩個階段：

通過MapReduce Local Task，將小表讀入內存，生成HashTableFiles上傳至Distributed Cache中，這裏會對HashTableFiles進行壓縮。
MapReduce Job在Map階段，每個Mapper從Distributed Cache讀取HashTableFiles到內存中，順序掃描大表，在Map階段直接進行Join，將數據傳遞給下一個MapReduce任務。

如果Join的兩張表一張表是臨時表，就會生成一個ConditionalTask，在運行期間判斷是否使用MapJoin

CommonJoinResolver優化器

CommonJoinResolver優化器就是將CommonJoin轉化爲MapJoin，轉化過程如下

深度優先遍歷Task Tree
找到JoinOperator，判斷左右表數據量大小
對與小表 + 大表 => MapJoinTask，對於小/大表 + 中間表 => ConditionalTask

遍歷上一個階段生成的MapReduce任務，發現JOIN[8]中有一張表爲臨時表，先對Stage-2進行深度拷貝（由於需要保留原始執行計劃爲Backup
Plan，所以這裏將執行計劃拷貝了一份），生成一個MapJoinOperator替代JoinOperator，然後生成一個MapReduceLocalWork讀取小表生成HashTableFiles上傳至DistributedCache中。

MapReduceTask經過變換後的執行計劃如下圖所示

MapJoinResolver優化器

MapJoinResolver優化器遍歷Task Tree，將所有有local work的MapReduceTask拆成兩個Task

最終MapJoinResolver處理完之後，執行計劃如下圖所示

Hive SQL編譯過程的設計

從上述整個SQL編譯的過程，可以看出編譯過程的設計有幾個優點值得學習和借鑑

使用Antlr開源軟件定義語法規則，大大簡化了詞法和語法的編譯解析過程，僅僅需要維護一份語法文件即可。
整體思路很清晰，分階段的設計使整個編譯過程代碼容易維護，使得後續各種優化器方便的以可插拔的方式開關，譬如Hive 0.13最新的特性Vectorization和對Tez引擎的支持都是可插拔的。
每個Operator只完成單一的功能，簡化了整個MapReduce程序。

社區發展方向

Hive依然在迅速的發展中，爲了提升Hive的性能，hortonworks公司主導的Stinger計劃提出了一系列對Hive的改進，比較重要的改進有：

Vectorization - 使Hive從單行單行處理數據改爲批量處理方式，大大提升了指令流水線和緩存的利用率
Hive on Tez - 將Hive底層的MapReduce計算框架替換爲Tez計算框架。Tez不僅可以支持多Reduce階段的任務MRR，還可以一次性提交執行計劃，因而能更好的分配資源。
Cost Based Optimizer - 使Hive能夠自動選擇最優的Join順序，提高查詢速度
Implement insert, update, and delete in Hive with full ACID support - 支持表按主鍵的增量更新

我們也將跟進社區的發展，結合自身的業務需要，提升Hive型ETL流程的性能

參考

Antlr: http://www.antlr.org/
Wiki Antlr介紹: http://en.wikipedia.org/wiki/ANTLR
Hive Wiki: https://cwiki.apache.org/confluence/display/Hive/Home
HiveSQL編譯過程: http://www.slideshare.net/recruitcojp/internal-hive
Join Optimization in Hive: Join Strategies in
Hive from the 2011 Hadoop Summit (Liyin Tang, Namit Jain)
Hive Design Docs: https://cwiki.apache.org/confluence/display/Hive/DesignDoc

Hive SQL 解析過程