1.hive执行流程的重要性
- 1）当sql任务非常慢时，就需要分析它的执行流程
- 2）常见的面试中，问对hive的理解？回答只是写sql，这个是很片面的。要从表面的sql，在脑海中映射出MR流程,在哪儿进行map，combiner，shuffle，reduce
2.解析sql执行计划流程
2.1 大数据两类sql框架
- 单表分析：select a,聚合函数 from XXX group by b
- 多表join分析：select a.,b. from a join b on a.id=b.id
这两种sql框架，概括了所有的大数据sql，几乎不可能有第三种写法，区别可能是业务复杂，写的复杂点儿而已。
2.2 解析sql执行计划流程详解
- 1）parser：将sql解析为AST（抽象语法树），会进行语法校验，AST本质* * 还是字符串
- 2）Analyzer:语法分析，生成QB（query block）
- 3）Logicl Plan:逻辑执行计划解析，生成一堆Opertator Tree
- 4）Logicl Optimizer:进行逻辑执行计划优化，生成一堆Opertator Tree
- 5）Phsical plan:物理执行计划解析，生成 tasktree
- 6）Phsical Optimizer:进行物理执行计划优化，生成 t优化后tasktree，该任务即是在集群上执行的作业 任务
六步将普通的sql映射成了作业任务。重点是 逻辑执行计划优化和物理执行计划优化
3.sql执行计划映射MR流程
3.1过滤类查询sql
- select a.id,a,city, a.cate form access a where a.day=’20190414’ and a.cate= ‘奔驰’
整个job是没有reduce的，类似etl作业。其中map数是由文件分片数决定。分区条件直接在数据读取时过滤
3.2分组聚合类查询sql
- select city, count(1) form access a where a.day=’20190414’ and a.cate= ‘奔驰’ group by city
和WC的流程没有本质区别，如上图combiner是本地局部的redece，好处是减少shuffle的数据量，但不是任何场景都会发生combiner，如求平均数。
3.3join类查询sql
待补充
4. 执行计划优化
待补充
扩展1：reducebykey和groupbykey的区别，前者会发生combiner 局部聚合，而后者不会，前者获得的是相同key对应的一个元素，后者是获取元素集合。reducebykey更加适合大数据，少用groupbykey（全数据shuffle）
扩展2：map task数是由数据文件分片数决定的分片数即是map任务数，程序员只能给个期望值
扩展3：reduce task数是由输入reduce的数据的分区（partitions）数决定的即分区数为map任务数，默认是1,程序员可直接设置reduce个数来改变reduce task数，reduce task数决定来 生成的文件数。
扩展4： MR数据shuffle确定数据发往哪一个reduce分区的规则是：取key的hashcode值对分区数模。
扩展5：explain sql ;查看某sql语句的执行计划
