hive 初始化运行流程

60 阅读 0 评论 40 点赞

我是靠谱客的博主爱笑衬衫，最近开发中收集的这篇文章主要介绍hive 初始化运行流程，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

[b]CliDriver[/b]

[u][b]初始化过程[/b][/u]

[i][b]CliDriver.main 是 Cli 的入口
[/b][/i]
（1）解析(Parse)args，放入cmdLine，处理 –hiveconf var=val 用于增加或者覆盖hive/hadoop配置，设置到System的属性中。
（2）配置log4j，加载hive-log4j.properties里的配置信息。
（3）创建一个HiveConf，设置hiveJar= hive-exec-0.6.0.jar ，初始化加载hive-default.xml、 hive-site.xml。
（4）创建一个CliSessionState（SessionState）
（5）处理-S， -e， -f， -h，-i等信息，保存在SessionState中。如果是-h，打印提示信息，并退出。
（6） –hiveconf var=val 设置的属性设置到HiveConf中。
（7） ShimLoader，load HadoopShims
（8） CliSessionState设置到SessionState中，创建一个hive_job_log_ xxx文件（用于记录Hive的一些操作信息）保存到SessionState的hiveHist 。
（9）创建CliDriver.
（10）在接受hivesql命令前，执行一些初始化命令，这些命令存在文件中，文件可以通过-i选项设置，如果没有设置就去查找是否有$HIVE_HOME/bin/.hiverc和System.getProperty("user.home")/.hiverc两个文件，如果有就执行这两个文件中的命令。
（11）如果是–e，执行命令并退出，如果是-f，执行文件中的命令并退出。
（12）创建ConsoleReader，读取用户输入，遇到“；”为一个完整的命令，执行该命令(CliDriver.processLine )，接着读取处理用户的输入。用户输入的命令记录在user.home/.hivehistory文件中。

[u][b]读取用户输入hivesql，处理运行过程[/b][/u]

[b]CliDriver.processLine 去掉命令末尾的;，
[/b]
[i][b]CliDriver.processCmd
[/b][/i]
Split命令，分析第一个单词：
（1）如果是quit或者exit，不区分大小写，退出。
（2）source，执行文件中的HiveQL
（3）！，执行命令，如!ls，列出当前目录的文件信息。
（4）list，列出jar/file/archive。
（5）如果是其他，则生成调用相应的CommandProcessor处理。

[b]CommandProcessor[/b]
[i]
[b]CommandProcessorFactory[/b][/i]
（1）set SetProcessor，设置修改参数,设置到SessionState的HiveConf里。
（2）dfs DfsProcessor，使用hadoop的 FsShell运行hadoop的命令。
（3）add AddResourceProcessor 添加到SessionState的resource_map里，运行提交job的时候会写入 Hadoop的Distributed Cache。
（4）delete DeleteResourceProcessor从SessionState的resource_map里删除。
（5）其他 Driver

[b]Driver[/b]
Driver.run(String command) // 处理一条命令
{
int ret = compile(command); // 分析命令，生成Task。
ret = execute(); // 运行Task。
}

[b]（1）词法分析，生成AST树，ParseDriver完成。
（2）分析AST树，AST拆分成查询子块，信息记录在QB，这个QB在下面几个阶段都需要用到，SemanticAnalyzer.doPhase1完成。
（3）从metastore中获取表的信息，SemanticAnalyzer.getMetaData完成。
（4）生成逻辑执行计划，SemanticAnalyzer.genPlan完成。
（5）优化逻辑执行计划，Optimizer完成，ParseContext作为上下文信息进行传递。
（6）生成物理执行计划，SemanticAnalyzer.genMapRedTasks完成。
（7）物理计划优化，PhysicalOptimizer完成，PhysicalContext作为上下文信息进行传递。
（8）执行生成的物理计划，获得结果。
（1）～（7）在Driver的compile中完成。
（8）在Driver的execute中完成，在执行阶段一个一个Task运行，不会改变物理计划。
整个Hive代码架构还不够清晰，传递的上下文信息比较臃肿，比较难理解。[/b]

[b]Driver.compile[/b]
[img]http://dl.iteye.com/upload/attachment/500756/134402d6-0d77-385a-ae13-29103d3e0a37.png[/img]
Driver.compile(String command) // 处理一条命令
{
(1) Context
ctx = new Context(conf); // private Context ctx; Driver的一个字段变量
(2) Parser(antlr):HiveQL->AbstractSyntaxTree(AST)
ParseDriver pd = new ParseDriver();
ASTNode tree = pd.parse(command, ctx);
(3) SemanticAnalyzer
BaseSemanticAnalyzer sem = SemanticAnalyzerFactory.get(conf, tree);
// Do semantic analysis and plan generation
sem.analyze(tree, ctx);
// 说明：如果有SEMANTIC_ANALYZER_HOOK("hive.semantic.analyzer.hook",null)这个hook，那么会在sem.analyze(tree, ctx);前执行hook.preAnalyze(hookCtx, tree);在sem.analyze(tree, ctx);后执行hook.postAnalyze(hookCtx, sem.getRootTasks(), sem.getFetchTask()); 这里的hook有多个
(4) QueryPlan
plan = new QueryPlan(command, sem);
(5) Schema
schema = getSchema(sem, conf); // / get the output schema
}
[i][b]Parser是：[/b][/i]
使用antlr，语法规则是 Hive.g
ql/src/java目录下面的：org.apache.hadoop.hive.ql. ParseDriver

[i][b]SemanticAnalyzerFactory/SemanticAnalyzer[/b][/i]
多种SemanticAnalyzer：
(1)ExplainSemanticAnalyzer（会调用SemanticAnalyzer获得相应信息）
explain 某条HiveSQL时调用
EXPLAIN [EXTENDED] query
(2)LoadSemanticAnalyzer
LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]
(3)DDLSemanticAnalyzer
SHOW TABLES、DROP TABLE、DESC TABLE等时
(4)FunctionSemanticAnalyzer
CREATE/DROP FUNCTION
(5)SemanticAnalyzer
select 等
（6）其他SemanticAnalyzer，Hive-0.6、0.7只有上面5种，trunk里面针对新功能新特性添加了相应的SemanticAnalyzer

[b]Driver.execute[/b]
[img]http://dl.iteye.com/upload/attachment/500758/13ceac7d-dddd-3c4a-b762-3b82b192fa36.png[/img]
Driver.execute() // 运行命令生成的Task（一个或多个）
{
(1) Get all the pre execution hooks and execute them.
(2) 把root Tasks 加到 runnable队列
(3) 运行该SQL产生的Task
while (running.size() != 0 || runnable.peek() != null) { //task running队列不为空，或者runnable不为空。
while (runnable.peek() != null && running.size() < maxthreads) {//runnable队列不为空
Task<? extends Serializable> tsk = runnable.remove();//删除runnable队列头的task
launchTask(tsk, queryId, noName, running, jobname, jobs, driverCxt); //运行Task，如果打开了并发提交会通过新的线程去运行Task，否则就是主线程运行Task，直到Task运行完毕，把Task对应的TaskResult和TaskRunner加入running队列
}

//从running队列中获取一个运行完的Task
TaskResult tskRes = pollTasks(running.keySet());
TaskRunner tskRun = running.remove(tskRes);
Task<? extends Serializable> tsk = tskRun.getTask();

int exitVal = tskRes.getExitVal(); //task完成的状态
if (exitVal != 0) { //Task失败
获得task的backupTask
有backup，把backup加入到runnable队列，没有就需要返回return 9;，表示HiveSQL运行失败。而不是System.exit(9);
}

// 把task的ChildTasks加入到runnable队列。
}
(4) Get all the post execution hooks and execute them.
}
Driver.launchTask(Task<? extends Serializable> tsk, String queryId, boolean noName,
Map<TaskResult, TaskRunner> running, String jobname, int jobs, DriverContext cxt){

tsk.initialize(conf, plan, cxt); // Task初始化
TaskResult tskRes = new TaskResult(); // task信息：是否成功执行，是否运行
TaskRunner tskRun = new TaskRunner(tsk, tskRes);

// Launch Task
if (HiveConf.getBoolVar(conf, HiveConf.ConfVars.EXECPARALLEL) && tsk.isMapRedTask()) { //并发提交打开并且这个是MR task，在另一个线程中执行。
// Launch it in the parallel mode, as a separate thread only for MR tasks
tskRun.start();
} else {
tskRun.runSequential(); // 主线程执行
}
running.put(tskRes, tskRun); // 放入running队列
}

[b]Task：[/b]
(1) ConditionalTask
(2) CopyTask
(3) DDLTask
(4) ExecDriver
(5) MapRedTask
(6) ExplainTask
(7) FetchTask
(8) FunctionTask
(9) MapredLocalTask
(10) MoveTask

[b]核心之一：SemanticAnalyzer[/b]
ql/src/java目录下面的： org.apache.hadoop.hive.ql.SemanticAnalyzer

SemanticAnalyzer. analyzeInternal(ASTNode ast)
{
// analyze create table command
if (ast.getToken().getType() == HiveParser.TOK_CREATETABLE) { //带有create
isCreateTable = true;
// if it is not CTAS, we don't need to go further and just return
if ((child = analyzeCreateTable(ast, qb)) == null) { // create-table-as-select 返回查询子树
regular create-table or create-table-like statements 返回null
return;
}
}

doPhase1(child, qb, initPhase1Ctx());//分析AST树

getMetaData(qb); //从数据库中获得表的信息

Operator sinkOp = genPlan(qb);// AST-〉operator trees

Optimizer optm = new Optimizer();
pCtx = optm.optimize();// 优化 operator trees -〉operator trees

// At this point we have the complete operator tree
// from which we want to find the reduce operator
genMapRedTasks(qb); // operator trees-〉MapReduce Tasks
}

Hive原理分析:
(1) 从HQL语句到AST的转化过程是很机械，使用ANTLR，根据Hive.g的语法分析规则，生成AST。
(2) 从AST转化到QB，再到DAG图不是那么很容易明白，所以需要理清楚一下。
AST-〉QB就是把AST里面的一些信息和子查询分析出来，如所有涉及的表和表的别名（如果这条HQL查询语句中没有为表取别名，那么取别名为表名）的对应关系保存到QB的aliasToTabs，目标表（目标表即输出的table）的子AST。where子句，select子句，join子句，等一些子查询的AST分析出来，保存起来。
QBMetaData是查询相关的元数据信息，如所有源表（源表即从哪些表取得输入数据）到该表的Table关联。表的Table用来记录Table有哪些字段，各个字段的类型，表的分隔符等等信息。目标表名（存放输出结果的表）到表的Table的关联，目标表可以有多个，因为输出可能是写入多个表。

QB-〉DAG图的转化过程。
从QB生成operator，从生成的QB中的子查询生成Operator并保存记录它们之间的父子关系，还可能插入一些operator，这些operator是一些必要的辅助功能。
后面需要对这个DAG图，即operator图进行拆分，生成一些mapreduce作业（job），如有一个map阶段可能有多个operator，完成这些operator的功能，如某个Job的map执行多个operator，TableScanOperator是第一个operator，从读取一个表的数据开始（一条一条记录,record），在接着可能就是跟据where生成的operator（FilterOperator），过滤哪些不符合规则的记录（record,key/value），在接着是执行根据select生成的Select Operator（该operator选择仅需要的字段，过滤无关的字段，从而减少中间数据），最后是一个Reduce Output Operator，该operator完成map的输出，生成中间key和value。
作业的reduce也是可以执行多个operator的。

从QB生成的Operator里面有父子关系，生成mapreduce时，会对这个具有父子关系的operator图进行切分，生成一个个阶段，有些阶段是mapreduce作业，这些作业执行多个operator的功能。

ReduceSinkOperator是map的最后一个Operator，因为该operator需要生成一个map的输出，即输出key和输出value。

生成Operator树的过程：SemanticAnalyzer.genPlan(QB qb)
(1) 子查询必须有一个别名即alias，遍历所有的子查询，出现多个子查询在Join时出现，join两边的表都是来自子查询。
(2) 遍历所有的源表，出现多个在join时出现。
(3)处理join，在on条件中的过滤条件会推到join前即ReduceSinkOperator前，如果是一个join，那么先生成两个ReduceSinkOperator，然后再生成JoinOperator，join这两个表。
下面的是在SemanticAnalyzer.genBodyPlan(QB qb, Operator input) 里面完成。
(4) optimizeMultiGroupBy
（4.1）optimizeMultiGroupBy可以优化时走的路径跟下面的不相同。
(4.2) 对每个select进行处理，多个select出现在Multi-Group-By Inserts、Multi Table/File Inserts、Dynamic-partition Insert等情况下。multi_insert.q

[b]SemanticAnalyzer.doPhase1(ASTNode ast, QB qb, Phase1Ctx ctx_1)[/b] {
switch (ast.getToken().getType()) {
case HiveParser.TOK_SELECTDI:
case HiveParser.TOK_SELECT:
（1）在QBParseInfo里保存select查询子节点，Map<String, ASTNode> destToSelExpr;
（2）有hint，在QBParseInfo保存hints子节点，ASTNode hints;
（3）处理ast子树的聚合函数，HiveParser.TOK_FUNCTION、TOK_FUNCTIONDI、TOK_FUNCTIONSTAR，
（4）处理select中column别名Map<ASTNode, String> exprToColumnAlias;
（5）保存聚合函数，QBParseInfo的LinkedHashMap<String, LinkedHashMap<String, ASTNode>> destToAggregationExprs;
（6）TOK_FUNCTIONDI，抽取保存distinct聚合函数，HashMap<String, List<ASTNode>> destToDistinctFuncExprs;
case HiveParser.TOK_WHERE:
在QBParseInfo里保存where查询子节点，HashMap<String, ASTNode> destToWhereExpr;
case HiveParser.TOK_DESTINATION:
在QBParseInfo里面保存目标地址子节点信息，HashMap<String, ASTNode> nameToDest;
case HiveParser.TOK_FROM:
只有一个子节点，有四种子节点
（1）一种是表，数据来源于一个表。processTable，处理别名，没有别名表名就是别名。
（2）一种是子查询，数据来源于子查询，processSubQuery，子查询必须要有个别名，子查询可能是单独的一个query或者是两个query的union。子查询也是递归调用doPhase1来完成相关分析。
（3）一种是视图，数据来源于一个视图，processLateralView
（4）一种是Join，数据来源于几个表的join，processJoin，join子节点的孩子节点是两个或者三个，孩子节点可以是表、子查询、join子节点，保存join子查询ASTNode joinExpr;
case HiveParser.TOK_CLUSTERBY:
在QBParseInfo里保存cluster by查询子节点，HashMap<String, ASTNode> destToClusterby;
case HiveParser.TOK_DISTRIBUTEBY:
在QBParseInfo里保存distribute by查询子节点，有distribute by的时候不能有cluster by和order by，HashMap<String, ASTNode> destToDistributeby;
case HiveParser.TOK_SORTBY:
在QBParseInfo里保存sort by查询子节点，有sort by的时候不能有cluster by和order by，HashMap<String, ASTNode> destToSortby;
case HiveParser.TOK_ORDERBY:
在QBParseInfo里保存order by查询子节点，有order by的时候不能有cluster by，HashMap<String, ASTNode> destToOrderby;
case HiveParser.TOK_GROUPBY:
在QBParseInfo里保存group by查询子节点，HashMap<String, ASTNode> destToGroupby;
case HiveParser.TOK_LIMIT:
在QBParseInfo里保存limit查询子节点，HashMap<String, Integer> destToLimit;
case HiveParser.TOK_UNION:
}

if (!skipRecursion) {
// Iterate over the rest of the children
int child_count = ast.getChildCount();
for (int child_pos = 0; child_pos < child_count; ++child_pos) {
// Recurse
doPhase1((ASTNode) ast.getChild(child_pos), qb, ctx_1); //递归处理各个孩子节点
}
}
}

[b]SemanticAnalyzer.getMetaData(QB qb)[/b] {
（1）从数据库中获取表的信息，这些表是记录在QB的HashMap<String, String> aliasToTabs;中
表的别名和对应的org.apache.hadoop.hive.ql.metadata.Table保存记录在QB的QBMetaData qbm;的HashMap<String, Table> aliasToTable;中。
（2）如果有子查询，递归调用getMetaData(QB qb)从数据库获取表的信息
（3）获取目的表的信息
目的子节点存储在QBParseInfo的HashMap<String, ASTNode> nameToDest;
目的节点有2种：（3.1）目的是表，表分分区表和非分区表（3.2）目的是本地目录或者hdfs目录，获得设置一个中间临时目录
}

[b]SemanticAnalyzer.genPlan(QB qb)[/b]{
（1）处理子查询，生成子查询的operator tree
（2）遍历source tables，记录保存在QB的HashMap<String, String> aliasToTabs;里面，对每个源表生成一个TableScanOperator，保存到SemanticAnalyzer的HashMap<TableScanOperator, Table> topToTable;里
（3）处理视图
（4）处理join
（5）genBodyPlan，生成剩下的operator tree.
}

[b]SemanticAnalyzer.genBodyPlan(QB qb, Operator input) [/b]{
（1）multi-group by优化
（2）遍历所有的destination tables，保存记录在QBParseInfo的Map<String, ASTNode> destToSelExpr;里，从select获得。
（2.1）有where语句生成FilterOperator，从QBParseInfo.destToWhereExpr里查询
（2.2）有group by或者聚合函数，根据相关配置生成相应operator tree.
（2.3）生成SelectOperator，选取相应字段，来自select语句
（2.4）有cluster by 或者distribute by或者order by或者sort by生成相应的ReduceSinkOperator和ExtractOperator，如果是order by设置reduce数为1
（2.5）分两种情况，qbp是子查询与qbp不是子查询
（2.5.1）是子查询
（2.5.2）不是子查询
有limit，生成相应的LimitOperator，这里需要分情况，是否需要两个MR
如果需要进行类型转换则生成相应的SelectOperator，生成FileSinkOperator
}

[b]Optimizer.optimize() [/b]{

}

[b]SemanticAnalyzer.genMapRedTasks(QB qb) [/b]{

}

[b]核心之二：MapRedTask[/b]
TaskRunner：
public void runSequential() {
int exitVal = -101;
try {
exitVal = tsk.executeTask(); //运行Task.executeTask()
} catch (Throwable t) {
t.printStackTrace();
}
result.setExitVal(exitVal);
}
Task：
public int executeTask() {
int retval = execute(driverContext); //各个子类实现该方法
}
protected abstract int execute(DriverContext driverContext);
这里介绍MapRedTask这个Task.

[b]MapRedTask[/b]：
public int execute(DriverContext driverContext) {
（1） setNumberOfReducers(); // estimate number of reducers 推测reduce个数
（2） if (!ctx.isLocalOnlyExecutionMode() &&
conf.getBoolVar(HiveConf.ConfVars.LOCALMODEAUTO)) { //HiveConf.ConfVars.HADOOPJT不是local，并且LOCALMODEAUTO("hive.exec.mode.local.auto", true)打开
//hive.exec.mode.local.auto用于小job自动转换为本地运行，should hive determine whether to run in local mode automatically
判断job能否本地运行，目前的判断条件是：(一)输入数据小于等于128M (二)map数小于等于4 (三) reduce数小于等于1，这3个条件都满足，该任务就在本地运行。
}
（3）计算得到 runningViaChild
runningViaChild =
"local".equals(conf.getVar(HiveConf.ConfVars.HADOOPJT)) ||
conf.getBoolVar(HiveConf.ConfVars.SUBMITVIACHILD);
//如果是本地运行或者通过子进程提交作业，runningViaChild为true
(3.1) 如果runningViaChild为false，super.execute(driverContext); ExecDriver.execute完成task。
(3.2) 如果runningViaChild为true，通过子进程完成
executor = Runtime.getRuntime().exec(cmdLine, env, new File(workDir));
子进程的入口main函数是ExecDriver.main()
}

[b]核心之三：ExecDriver[/b]
/home/tianzhao/apache/hive-0.6.0/build/hadoopcore/hadoop-0.19.1/bin/hadoop jar /home/tianzhao/apache/hive-0.6.0/build/ql/hive-exec-0.6.0.jar org.apache.hadoop.hive.ql.exec.ExecDriver -plan /tmp/hive-tianzhao/hive_2011-05-31_09-30-02_222_4000721282829102058/plan5577504731701425227.xml -jobconf datanucleus.connectionPoolingType=DBCP
使用hadoop jar hive-exec-0.6.0.jar org.apache.hadoop.hive.ql.exec.ExecDriver提交job给hadoop，作业的信息诸如operator等信息序列化到了 -plan plan5577504731701425227.xml里面。
ExecMapper、ExecReducer在configure(JobConf job)运行的时候会反序列化出来。
hive提交给hadoop的MapReduce作业，map阶段运行ExecMapper，reduce阶段运行ExecReducer。

add jar/add file/add archive，这些archive、jar和文件会写入 Distributed Cache里面。在MapTask和ReduceTask运行的时候读取调用。写入Distributed Cache参考ExecDriver。

ExecDriver使用JobClient提交Job后，定期查看Job的进展情况，Job完成后，调用operator的jobClose()方法。

hive.exec.plan
org.apache.hadoop.hive.ql.exec.Utilities.setMapRedWork() 会设置plan的ID

[b]ExecDriver.execute(DriverContext driverContext)[/b] {
(1) 创建ScratchDir目录
(2) 设置mapper类，reducer类等等
job.setMapperClass(ExecMapper.class);
(3) 如果有MapredLocalWork，并且不是localMode，那么上传文件到HDFS，该文件加入DistributedCache。场景用于auto map join，auto map join会产生两个Task：MapredLocalTask+MapRedTask。 MapredLocalTask将小表的数据从hdfs fetch下来，put到一个HashTable，写入到本地的一个文件中。在MapRedTask中把本地的这个文件写入hdfs，add到DistributedCache，就是当前的部分。这里的小表写入HashTable合并相同的key，只需要在client端做一次，在map端只需要读取使用即可。加入DistributedCache是为了一个TaskTracker多次运行MapTask使用到一个文件时不需要多次下载，只需一次下载即可。
（4）MapredWork写入hdfs，副本数设置为10，加入DistributedCache
Utilities.setMapRedWork(job, work, ctx.getMRTmpFileURI());
（5）创建JobClient
JobClient jc = new JobClient(job);
（6）运行PrejobHooks
runPreJobHooks(); // Call the Pre-job hooks' list
（7）提交job
orig_rj = rj = jc.submitJob(job);
（8）定时检测job时候运行完成
private void progress(ExecDriverTaskHandle th) throws IOException {
while (!rj.isComplete()) {
Thread.sleep(pullInterval); // pullInterval默认是1000L，HIVECOUNTERSPULLINTERVAL("hive.exec.counters.pull.interval", 1000L)，通过hive.exec.counters.pull.interval可以设置
updateCounters(th); //获取更新进度信息
String report = " " + getId() + " map = " + mapProgress + "%, reduce = " + reduceProgress
+ "%"; // 打印这行进度信息
}
// while循环外，job已经结束
runPostJobHooks(rj); //运行PostJobHooks
}
（9）清理操作
（10）运行Operator的jobClose方法
for (Operator<? extends Serializable> op : work.getAliasToWork().values()) {
op.jobClose(job, success, feedBack);
}
work.getReducer().jobClose(job, success, feedBack);
（11）return (returnVal); 返回
}

[b]ExecDriver.main( ) [/b]
两个地方调用
（1）MapRedTask ：
在本地执行或者通过子进程提交两种方式下会调用。
ExecDriver.main(String[] args) {
} else {
MapredWork plan = Utilities.deserializeMapRedWork(pathData, conf);
ExecDriver ed = new ExecDriver(plan, conf, isSilent);
ret = ed.execute(new DriverContext());
}
}
（2）MapredLocalTask ：
启动子进程执行
ExecDriver.main(String[] args) {
if (localtask) {
memoryMXBean = ManagementFactory.getMemoryMXBean();
MapredLocalWork plan = Utilities.deserializeMapRedLocalWork(pathData, conf);
MapredLocalTask ed = new MapredLocalTask(plan, conf, isSilent);
ret = ed.executeFromChildJVM(new DriverContext()); // 从hdfs上面获取小表数据，写到HashTable中，然后dump到本地的一个文件。
}
}

......