Hive底层原理：Explain执行计划详解

 理论

本节将介绍 explain 的用法及参数介绍

HIVE提供了EXPLAIN命令来展示一个查询的执行计划,这个执行计划对于我们了解底层原理，hive 调优，排查数据倾斜等很有帮助

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

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 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 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 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 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 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 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 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(hive 2.3.7)：

explain select sum(id) from test1; 

得到结果(请逐行看完，即使看不懂也要每行都看)：

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:&Hinbsp;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        &nbvesp;  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 

看完以上内容有什么感受，是不是感觉都看不懂，不要着急，下面将会详细讲解每个参数，相信你学完下面的内容之后再看 explain 的查询结果将游刃有余。

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：

stage dependencies： 各个stage之间的依赖性 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：

Map Operator Tree： MAP端的执行计划树 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 表扫描操作底层，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    &n原理bsp;    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 ：E          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 xpjoin 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         la        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: 25in 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 执行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: o计划rg.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            &nb详解sp;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    &nbHisp;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:                ve        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                     &n底层bsp; 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。

最后

以上仅列举了3个我们生产中既熟悉又有点迷糊的例子，explain 还有很多其他的用途，如查看stage的依赖情况、排查数据倾斜、hive 调优等，小伙伴们可以自行尝试。