理论
- 本节将介绍explain的用法及参数介绍
使用语法如下
EXPLAIN [EXTENDED|CBO|AST|DEPENDENCY|AUTHORIZATION|LOCKS|VECTORIZATION|ANALYZE] query
explain 后面可以跟以下可选参数，注意：这几个可选参数不是 hive 每个版本都支持的
1.EXTENDED：加上 extended 可以输出有关计划的额外信息。这通常是物理信息，例如文件名。这些额外信息对我们用处不大
2.CBO：输出由Calcite优化器生成的计划。CBO 从 hive 4.0.0 版本开始支持
3.AST：输出查询的抽象语法树。AST 在hive 2.1.0 版本删除了，存在bug，转储AST可能会导致OOM错误，将在4.0.0版本修复
4.DEPENDENCY：dependency在EXPLAIN语句中使用会产生有关计划中输入的额外信息。它显示了输入的各种属性
5.AUTHORIZATION：显示所有的实体需要被授权执行（如果存在）的查询和授权失败
6.LOCKS：这对于了解系统将获得哪些锁以运行指定的查询很有用。LOCKS 从 hive 3.2.0 开始支持
7.VECTORIZATION：将详细信息添加到EXPLAIN输出中，以显示为什么未对Map和Reduce进行矢量化。从 Hive 2.3.0 开始支持
8.ANALYZE：用实际的行数注释计划。从 Hive 2.2.0 开始支持
在 hive cli 中输入以下命令
explain select sum(id) from test1;
得到结果
STAGE DEPENDENCIES:
Stage-1 is a root stage
Stage-0 depends on stages: Stage-1
STAGE PLANS:
Stage: Stage-1
Map Reduce
Map Operator Tree:
TableScan
alias: test1
Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: id (type: int)
outputColumnNames: id
Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
Group By Operator
aggregations: sum(id)
mode: hash
outputColumnNames: _col0
Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: NONE
Reduce Output Operator
sort order:
Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: NONE
value expressions: _col0 (type: bigint)
Reduce Operator Tree:
Group By Operator
aggregations: sum(VALUE._col0)
mode: mergepartial
outputColumnNames: _col0
Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: NONE
File Output Operator
compressed: false
Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: NONE
table:
input format: org.apache.hadoop.mapred.SequenceFileInputFormat
output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
Stage: Stage-0
Fetch Operator
limit: -1
Processor Tree:
ListSink
一个HIVE查询被转换为一个由一个或多个stage组成的序列（有向无环图DAG）。这些stage可以是MapReduce stage，也可以是负责元数据存储的stage，也可以是负责文件系统的操作（比如移动和重命名）的stage。
我们将上述结果拆分看，先从最外层开始，包含两个大的部分：
1.stage dependencies： 各个stage之间的依赖性
2.stage plan： 各个stage的执行计划
先看第一部分 stage dependencies ，包含两个 stage，Stage-1 是根stage，说明这是开始的stage，Stage-0 依赖 Stage-1，Stage-1执行完成后执行Stage-0。
再看第二部分 stage plan，里面有一个 Map Reduce，一个MR的执行计划分为两个部分：
1.Map Operator Tree： MAP端的执行计划树
2.Reduce Operator Tree： Reduce端的执行计划树
这两个执行计划树里面包含这条sql语句的 operator：
1.map端第一个操作肯定是加载表，所以就是 TableScan 表扫描操作，常见的属性：
> alias： 表名称
> Statistics： 表统计信息，包含表中数据条数，数据大小等
2.Select Operator： 选取操作，常见的属性 ：
> expressions：需要的字段名称及字段类型
> outputColumnNames：输出的列名称
> Statistics：表统计信息，包含表中数据条数，数据大小等
3.Group By Operator：分组聚合操作，常见的属性：
> aggregations：显示聚合函数信息
> mode：聚合模式，值有 hash：随机聚合，就是hash partition；partial：局部聚合；final：最终聚合
> keys：分组的字段，如果没有分组，则没有此字段
> outputColumnNames：聚合之后输出列名
> Statistics： 表统计信息，包含分组聚合之后的数据条数，数据大小等
4.Reduce Output Operator：输出到reduce操作，常见属性：
> sort order：值为空 不排序；值为 + 正序排序，值为 - 倒序排序；值为 +- 排序的列为两列，第一列为正序，第二列为倒序
5.Filter Operator：过滤操作，常见的属性：
> predicate：过滤条件，如sql语句中的where id>=1，则此处显示(id >= 1)
6.Map Join Operator：join 操作，常见的属性：
> condition map：join方式 ，如Inner Join 0 to 1 Left Outer Join0 to 2
> keys: join 的条件字段
> outputColumnNames： join 完成之后输出的字段
> Statistics： join 完成之后生成的数据条数，大小等
7.File Output Operator：文件输出操作，常见的属性
> compressed：是否压缩
> table：表的信息，包含输入输出文件格式化方式，序列化方式等
8.Fetch Operator 客户端获取数据操作，常见的属性：
> limit，值为 -1 表示不限制条数，其他值为限制的条数
好，学到这里再翻到上面 explain 的查询结果，是不是感觉基本都能看懂了。
实践
- 本节介绍 explain 能够为我们在生产实践中带来哪些便利及解决我们哪些迷惑
1. join 语句会过滤 null 的值吗？
现在，我们在hive cli 输入以下查询计划语句
select a.id,b.user_name from test1 a join test2 b on a.id=b.id;
问：上面这条 join 语句会过滤 id 为 null 的值吗
执行下面语句：
explain select a.id,b.user_name from test1 a join test2 b on a.id=b.id;
我们来看结果 (为了适应页面展示，仅截取了部分输出信息)：
TableScan
alias: a
Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
Filter Operator
predicate: id is not null (type: boolean)
Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: id (type: int)
outputColumnNames: _col0
Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
HashTable Sink Operator
keys:
0 _col0 (type: int)
1 _col0 (type: int)
...
从上述结果可以看到 predicate: id is not null 这样一行，说明 join 时会自动过滤掉关联字段为 null 值的情况，但 left join 或 full join 是不会自动过滤的，大家可以自行尝试下。
2. group by 分组语句会进行排序吗？
看下面这条sql
select id,max(user_name) from test1 group by id;
问：group by 分组语句会进行排序吗
直接来看 explain 之后结果 (为了适应页面展示，仅截取了部分输出信息)
TableScan
alias: test1
Statistics: Num rows: 9 Data size: 108 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: id (type: int), user_name (type: string)
outputColumnNames: id, user_name
Statistics: Num rows: 9 Data size: 108 Basic stats: COMPLETE Column stats: NONE
Group By Operator
aggregations: max(user_name)
keys: id (type: int)
mode: hash
outputColumnNames: _col0, _col1
Statistics: Num rows: 9 Data size: 108 Basic stats: COMPLETE Column stats: NONE
Reduce Output Operator
key expressions: _col0 (type: int)
sort order: +
Map-reduce partition columns: _col0 (type: int)
Statistics: Num rows: 9 Data size: 108 Basic stats: COMPLETE Column stats: NONE
value expressions: _col1 (type: string)
...
我们看 Group By Operator，里面有 keys: id (type: int) 说明按照 id 进行分组的，再往下看还有 sort order: + ，说明是按照 id 字段进行正序排序的。
3. 哪条sql执行效率高呢？
观察两条sql语句
SELECT
a.id,
b.user_name
FROM
test1 a
JOIN test2 b ON a.id = b.id
WHERE
a.id > 2;
SELECT
a.id,
b.user_name
FROM
(SELECT * FROM test1 WHERE id > 2) a
JOIN test2 b ON a.id = b.id;
这两条sql语句输出的结果是一样的，但是哪条sql执行效率高呢
有人说第一条sql执行效率高，因为第二条sql有子查询，子查询会影响性能
有人说第二条sql执行效率高，因为先过滤之后，在进行join时的条数减少了，所以执行效率就高了
到底哪条sql效率高呢，我们直接在sql语句前面加上 explain，看下执行计划不就知道了嘛
在第一条sql语句前加上 explain，得到如下结果
hive (default)> explain select a.id,b.user_name from test1 a join test2 b on a.id=b.id where a.id >2;
OK
Explain
STAGE DEPENDENCIES:
Stage-4 is a root stage
Stage-3 depends on stages: Stage-4
Stage-0 depends on stages: Stage-3
STAGE PLANS:
Stage: Stage-4
Map Reduce Local Work
Alias -> Map Local Tables:
$hdt$_0:a
Fetch Operator
limit: -1
Alias -> Map Local Operator Tree:
$hdt$_0:a
TableScan
alias: a
Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
Filter Operator
predicate: (id > 2) (type: boolean)
Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: id (type: int)
outputColumnNames: _col0
Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
HashTable Sink Operator
keys:
0 _col0 (type: int)
1 _col0 (type: int)
Stage: Stage-3
Map Reduce
Map Operator Tree:
TableScan
alias: b
Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
Filter Operator
predicate: (id > 2) (type: boolean)
Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: id (type: int), user_name (type: string)
outputColumnNames: _col0, _col1
Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
Map Join Operator
condition map:
Inner Join 0 to 1
keys:
0 _col0 (type: int)
1 _col0 (type: int)
outputColumnNames: _col0, _col2
Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: _col0 (type: int), _col2 (type: string)
outputColumnNames: _col0, _col1
Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
File Output Operator
compressed: false
Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
table:
input format: org.apache.hadoop.mapred.SequenceFileInputFormat
output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
Local Work:
Map Reduce Local Work
Stage: Stage-0
Fetch Operator
limit: -1
Processor Tree:
ListSink
在第二条sql语句前加上 explain，得到如下结果
hive (default)> explain select a.id,b.user_name from(select * from test1 where id>2 ) a join test2 b on a.id=b.id;
OK
Explain
STAGE DEPENDENCIES:
Stage-4 is a root stage
Stage-3 depends on stages: Stage-4
Stage-0 depends on stages: Stage-3
STAGE PLANS:
Stage: Stage-4
Map Reduce Local Work
Alias -> Map Local Tables:
$hdt$_0:test1
Fetch Operator
limit: -1
Alias -> Map Local Operator Tree:
$hdt$_0:test1
TableScan
alias: test1
Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
Filter Operator
predicate: (id > 2) (type: boolean)
Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: id (type: int)
outputColumnNames: _col0
Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
HashTable Sink Operator
keys:
0 _col0 (type: int)
1 _col0 (type: int)
Stage: Stage-3
Map Reduce
Map Operator Tree:
TableScan
alias: b
Statistics: Num rows: 6 Data size: 75 Basic stats: COMPLETE Column stats: NONE
Filter Operator
predicate: (id > 2) (type: boolean)
Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: id (type: int), user_name (type: string)
outputColumnNames: _col0, _col1
Statistics: Num rows: 2 Data size: 25 Basic stats: COMPLETE Column stats: NONE
Map Join Operator
condition map:
Inner Join 0 to 1
keys:
0 _col0 (type: int)
1 _col0 (type: int)
outputColumnNames: _col0, _col2
Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: _col0 (type: int), _col2 (type: string)
outputColumnNames: _col0, _col1
Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
File Output Operator
compressed: false
Statistics: Num rows: 2 Data size: 27 Basic stats: COMPLETE Column stats: NONE
table:
input format: org.apache.hadoop.mapred.SequenceFileInputFormat
output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
Local Work:
Map Reduce Local Work
Stage: Stage-0
Fetch Operator
limit: -1
Processor Tree:
ListSink
大家有什么发现，除了表别名不一样，其他的执行计划完全一样，都是先进行 where 条件过滤，在进行 join 条件关联。说明 hive 底层会自动帮我们进行优化，所以这两条sql语句执行效率是一样的。
EXPLAIN ClassCastException org.apache.hadoop.hive.ql.exec.MuxOperator
# explain 报错
Error: Error while compiling statement: FAILED: ClassCastException org.apache.hadoop.hive.ql.exec.MuxOperator cannot be cast to org.apache.hadoop.hive.ql.exec.ReduceSinkOperator (state=42000,code=40000)
# ReduceSink重复数据删除优化器
set hive.optimize.correlation=false;
在Hive中，一个提交的SQL查询需要在分布式系统中进行评估。在计算查询时，有时可能需要打乱数据。根据数据操作的性质不同，Hive中的操作符可以分为两类。
不需要数据洗牌的运营商。例如，TableScanOperator, SelectOperator和FilterOperator。
需要数据洗牌的运营商。例如GroupByOperator和JoinOperator。
对于一个需要数据变换的操作符，Hive会添加一个或多个ReduceSinkOperators作为该操作符的父级(ReduceSinkOperators的数量取决于需要数据变换的操作符的输入数量)。这些ReduceSinkOperators构成了Map阶段和Reduce阶段之间的边界。然后，Hive会将操作树切割成多个块(MapReduce任务)，每个块都可以在一个MapReduce任务中执行。
对于一个复杂的查询，一个输入表可能被多个MapReduce任务使用。在这种情况下，当使用原始操作符树时，将多次加载该表。另外，在生成这些ReduceSinkOperators时，Hive不会考虑需要数据变换的对应操作符是否真的需要重新分区输入数据。例如，在示例1(图1)的原始操作符树中，AGG1、JOIN1和AGG2要求以相同的方式进行数据洗牌，因为它们都要求列键是对应ReduceSinkOperators中的分区列。但是Hive并不知道AGG1、JOIN1和AGG2之间的这种关联，仍然生成3个MapReduce任务。 相关优化器的目的是利用上面提到的两个查询内关联。
输入相关性(Input Correlation):输入表在原始操作树中被多个MapReduce任务使用。 Job Flow Correlation:两个相互依赖的MapReduce任务以相同的方式shuffle数据。
在一个关联中，有两种ReduceSinkOperators。第一类reducesinkoperator位于查询操作符树的底层，用于将行发送到洗牌阶段。例如，在图1中，RS1和RS3是底层ReduceSinkOperators。第二种reducesinkoperator是不必要的，可以从优化的算子树中删除。例如，在图1中，RS2和RS4是不必要的ReduceSinkOperators。由于Reduce阶段的输入行可能需要转发给不同的操作符，而这些输入行来自单个流，因此我们添加了一个名为DemuxOperator的新操作符，以将Reduce阶段的输入行分派给相应的操作符。在操作符树转换中，我们首先将底层ReduceSinkOperators的子操作符和DemuxOperator连接起来，并重新分配底层ReduceSinkOperators的标签(DemuxOperator是底层ReduceSinkOperators唯一的子操作符)。在DemuxOperator中，我们记录了两个映射。第一个叫做newTagToOldTag，它将分配给底层ReduceSinkOperators的新标签映射到原始标签。要使JoinOperator正确工作，需要这些原始标记。第二个映射称为newTagToChildIndex，它将这些新标记映射到子索引。通过这种映射，DemuxOperator可以根据一行的标签知道需要转发的正确操作符。算子树转换的第二步是去除那些不必要的ReduceSinkOperators。为了使Reduce阶段的运算符树正确工作，我们在原来那些不必要的ReduceSinkOperators的位置添加一个名为MuxOperator的新运算符。值得注意的是，如果一个操作符有多个不必要的ReduceSinkOperators作为它的父操作符，我们只添加一个MuxOperator。
详解：https://www.docs4dev.com/docs/en/apache-hive/3.1.1/reference/Correlation_Optimizer.html
