前言

本文隶属于专栏《大数据技术体系》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！

本专栏目录结构和参考文献请见大数据技术体系

正文

本文介绍 Apache Hive 如何将 SQL 转化为 MapReduce 任务，整个编译过程可以分为六个阶段：

1. 对 SQL 进行词法、语法解析，将SQL 转化为 AST Tree(抽象语法树）。
2. 遍历 AST Tree， 进一步抽象和结构化，将 AST Tree 转化为 SQL 的基本组成单元 QueryBlock。
3. 遍历 QueryBlock，转化为 Operator Tree（执行操作树）。
4. 通过逻辑层优化器进行 Operator Tree 变换。
5. 遍历Operator Tree，翻译为 MapReduce 任务。
6. 通过物理层优化器进行 MapReduce 任务的变换，生成最终的执行计划。

为便于理解，用一个简单的 SQL 语句进行讲解。我们查询某表中 10 月 1 日的数据：

select * from db.table where time = 20191001

这条 SQL 会经历以下的编译过程。

1. 根据 Antlr 定义的语法规则，对SQL 进行词法、语法解析，转化为如下 AST Tree:

ABSTRACT SYNTAX TREE: TOK_OUERY TOK_FROMTOK_TABREF TOK_TABNAME dbtable TOK_INSERTTOK_DESTINATION TOK_DIR TOK_TMP_FILE TOK_SELECTTOK_SELEXPRTOK_ALLCOLREF TOK_WHERE =TOK_TABLE_OR_COLtime 20191001

2. 遍历 AST Tree，抽象出查询的基本组成单元 Query Block

AST Tree 生成后仍然非常复杂，不便于翻译为 MapReduce 程序，需要进行进一步抽象和结构化，转化为 QueryBlock。

QueryBlock 是 SQL 最基本的组成单元，包括输人源、计算过程和输出。

QueryBlock 以递归的方式生成，先序遍历 AST Tree，遇到不同的 Token 节点，保存到相应的属性中，包含以下几个过程。

• TOK_ QUERY：创建 Query Block 对象，循环递归子节点。
• TOK_FROM：将表名语法部分保存到 QueryBlock 对象的 aliasToTabs 等属性中。
• TOK_ INSERT：循环递归子节点。
• TOK_DESTINATION：将输出目标的语法部分保存在 QBParseInfo 对象的nameToDest 属性中。
• TOK_ SELECT：分别将查询表达式的语法部分保存在 destToSelExpr、destToAggregationExprs、 destToDistinctFuncExprs 三个属性中。
• TOK_ WHERE：将 Where 部分的语法保存 在QBParselnfo对象的destTo WhereExpr属性中。

3. 遍历 QueryBlock，转换为 Operator Tree

Hive 最终生成的 MapReduce 任务、Map 阶段和 Reduce 阶段均由 Operator Tree 组成。

逻辑操作符（Operator）是在 Map 阶段或者 Reduce 阶段完成单一特定的操作。

基本的操作符包括 TableScanOperator、 SelectOperator、 Filter- Operator、 GroupBy Operator、JoinOperator、 ReduceSinkOperator

4. 通过逻辑层优化器对 Operator Tree 进行优化操作。
逻辑层优化器通过变换 Operator Tree 和合并操作符來达到减少 MapReduce Job和减少 Shuffle数据量的目的。

5. 遍历 OperatorTree，翻泽为 MapReduce 任务，分为下面几个的阶段：

• 对输出表生成 MoveTask
• 从 OperatorTree 的其中一个根节点向下深度优先遍历。
• ReduceSinkOperator 标示 Map/Reduce 的界限、多个 Job 间的界限。
• 遍历其他根书点，如果碰到 JoinOperator 则合并 MapReduceTask.
• 生成 StatTask 来更新元数据。
• 切断 Map 与 Reduce 间的 Operator的关系。

6. 通过物理层优化器对 MapReduce 任务进行优化，生成最终的执行计划。