本文转载自微信公众号「五分钟学大数据」，作者园陌。转载本文请联系五分钟学大数据公众号。
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: 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
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，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。
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。
