Hive SQL语句的正确执行顺序

无需你的理解 發表於 2023-12-2 00:00:00

<img title="Hive SQL语句的正确执行顺序" alt="Hive SQL语句的正确执行顺序" border="0" height="auto" src="https://zhuji.jb51.net/uploads/img/202305/ff69629f2683fbe53d4afd11ec56236a.jpg" width="auto">

关于 sql 语句的执行顺序网上有很多资料，但是大多都没进行验证，并且很多都有点小错误，尤其是对于 select 和 group by 执行的先后顺序，有说 select 先执行，有说 group by 先执行，到底它俩谁先执行呢?

今天我们通过 explain 来验证下 sql 的执行顺序。

在验证之前，先说结论，Hive 中 sql 语句的执行顺序如下：

from .. where .. join .. on .. select .. group by .. select .. having .. distinct .. order by .. limit .. union/union all

可以看到 group by 是在两个 select 之间，我们知道 Hive 是默认开启 map 端的 group by 分组的，所以在 map 端是 select 先执行，在 reduce 端是 group by 先执行。

下面我们通过一个 sql 语句分析下：
<ol class="dp-sql">
<li class="alt">
select 
</li>
<li>
 sum(b.order_amount) sum_amount, 
</li>
<li class="alt">
 count(a.userkey) count_user 
</li>
<li>
from user_info a 
</li>
<li class="alt">
left join user_order b 
</li>
<li>
 on a.idno=b.idno 
</li>
<li class="alt">
where a.idno > '112233' 
</li>
<li>
group by a.idno 
</li>
<li class="alt">
 having count_user>1 
</li>
<li>
limit 10; 
</li>
</ol>

上面这条 sql 语句是可以成功执行的，我们看下它在 MR 中的执行顺序：

Map 阶段：
<ul>
<li>
执行 from，进行表的查找与加载;</li>
<li>
执行 where，注意：sql 语句中 left join 写在 where 之前的，但是实际执行先执行 where 操作，因为 Hive 会对语句进行优化，如果符合谓词下推规则，将进行谓词下推;</li>
<li>
执行 left join 操作，按照 key 进行表的关联;</li>
<li>
执行输出列的操作，注意： select 后面只有两个字段(order_amount，userkey)，此时 Hive 是否只输出这两个字段呢，当然不是，因为 group by 的是 idno，如果只输出 select 的两个字段，后面 group by 将没有办法对 idno 进行分组，所以此时输出的字段有三个：idno，order_amount，userkey;</li>
<li>
执行 map 端的 group by，此时的分组方式采用的是哈希分组，按照 idno 分组，进行 order_amount 的 sum 操作和 userkey 的 count 操作，最后按照 idno 进行排序(group by 默认会附带排序操作);</li>
</ul>

Reduce 阶段：
<ul>
<li>
执行 reduce 端的 group by，此时的分组方式采用的是合并分组，对 map 端发来的数据按照 idno 进行分组合并，同时进行聚合操作 sum(order_amount)和 count(userkey);</li>
<li>
执行 select，此时输出的就只有 select 的两个字段：sum(order_amount) as sum_amount，count(userkey) as count_user;</li>
<li>
执行 having，此时才开始执行 group by 后的 having 操作，对 count_user 进行过滤，注意：因为上一步输出的只有 select 的两个字段了，所以 having 的过滤字段只能是这两个字段;</li>
<li>
执行 limit，限制输出的行数为 10。</li>
</ul>

上面这个执行顺序到底对不对呢，我们可以通过 explain 执行计划来看下，内容过多，我们分阶段来看。

首先看下 sql 语句的执行依赖：

<img title="Hive SQL语句的正确执行顺序" alt="Hive SQL语句的正确执行顺序" border="0" height="auto" src="https://zhuji.jb51.net/uploads/img/202305/1e33db1e32b9e505233974c9cf9af10a.jpg" width="auto">

我们看到 Stage-5 是根，也就是最先执行 Stage-5，Stage-2 依赖 Stage-5，Stage-0 依赖 Stage-2。

首先执行 Stage-5：

<img title="Hive SQL语句的正确执行顺序" alt="Hive SQL语句的正确执行顺序" border="0" height="auto" src="https://zhuji.jb51.net/uploads/img/202305/c5036a608743eadc7090b990588ef026.jpg" width="auto">

图中标 ① 处是表扫描操作，注意先扫描的 b 表，也就是 left join 后面的表，然后进行过滤操作(图中标 ② 处)，我们 sql 语句中是对 a 表进行的过滤，但是 Hive 也会自动对 b 表进行相同的过滤操作，这样可以减少关联的数据量。

接下来执行 Stage-2：
<ul>
<li>
首先是 Map 端操作：</li>
</ul>

<img title="Hive SQL语句的正确执行顺序" alt="Hive SQL语句的正确执行顺序" border="0" height="auto" src="https://zhuji.jb51.net/uploads/img/202305/e17989b7a652037b09a681bffeb04fd8.jpg" width="auto">

先扫描 a 表(图中标 ① 处);接下来进行过滤操作 idno > '112233'(图中标 ② 处);然后进行 left join，关联的 key 是 idno(图中标 ③ 处);执行完关联操作之后会进行输出操作，输出的是三个字段，包括 select 的两个字段加 group by 的一个字段(图中标 ④ 处);然后进行 group by 操作，分组方式是 hash(图中标 ⑤ 处);然后进行排序操作，按照 idno 进行正向排序(图中标 ⑥ 处)。
<ul>
<li>
然后是 Reduce 端操作：</li>
</ul>

<img title="Hive SQL语句的正确执行顺序" alt="Hive SQL语句的正确执行顺序" border="0" height="auto" src="https://zhuji.jb51.net/uploads/img/202305/543675c2cafe6e182041671a7e161b8f.jpg" width="auto">

首先进行 group by 操作，注意此时的分组方式是 mergepartial 合并分组(图中标 ① 处);然后进行 select 操作，此时输出的字段只有两个了，输出的行数是 30304 行(图中标 ② 处);接下来执行 having 的过滤操作，过滤出 count_user>1 的字段，输出的行数是 10101 行(图中标 ③ 处);然后进行 limit 限制输出的行数(图中标 ④ 处);图中标 ⑤ 处表示是否对文件压缩，false 不压缩。

执行计划中的数据量只是预测的数据量，不是真实运行的，所以数据可能不准!

最后是 Stage-0 阶段：

<img title="Hive SQL语句的正确执行顺序" alt="Hive SQL语句的正确执行顺序" border="0" height="auto" src="https://zhuji.jb51.net/uploads/img/202305/9a2122d44fb9c201219c14b46ac63732.jpg" width="auto">

限制最终输出的行数为 10 行。

总结

通过上面对 SQL 执行计划的分析，总结以下几点：
<ul>
<li>
每个 stage 都是一个独立的 MR，复杂的 hive sql 语句可以产生多个 stage，可以通过执行计划的描述，看看具体步骤是什么。</li>
<li>
对于 group by 的 key，必须是表中的字段，对于 having 的 key，必须是 select 的字段。</li>
<li>
order by 是在 select 后执行的，所以 order by 的 key 必须是 select 的字段。</li>
<li>
select 最好指明字段，select * 会增加很多不必要的消耗(CPU、IO、内存、网络带宽)。</li>
</ul>

原文链接：https://mp.weixin.qq.com/s/KoOFNm4-pZOHJ28koKdX6Q

頁: [1]

琼殿技术论坛's Archiver

Hive SQL语句的正确执行顺序