hive 初始化運行流程

CliDriver

初始化過程

CliDriver.main  是 Cli 的入口

（1） 解析(Parse)args，放入cmdLine，處理 –hiveconf var=val  用於增加或者覆蓋hive/hadoop配置，設置到System的屬性中。
（2） 配置log4j，加載hive-log4j.properties里的配置信息。
（3）創建一個HiveConf，設置hiveJar= hive-exec-0.6.0.jar ，初始化加載hive-default.xml、 hive-site.xml。
（4） 創建一個CliSessionState（SessionState）
（5） 處理-S， -e， -f， -h，-i等信息，保存在SessionState中。如果是-h，打印提示信息，並退出。
（6） –hiveconf var=val 設置的屬性設置到HiveConf中。
（7） ShimLoader，load  HadoopShims
（8） CliSessionState設置到SessionState中，創建一個hive_job_log_ xxx文件（用於記錄Hive的一些操作信息）保存到SessionState的hiveHist 。
（9） 創建CliDriver.
（10）在接受hivesql命令前，執行一些初始化命令，這些命令存在文件中，文件可以通過-i選項設置，如果沒有設置就去查找是否 有$HIVE_HOME/bin/.hiverc和System.getProperty("user.home")/.hiverc兩個文件，如果有就 執行這兩個文件中的命令。
（11） 如果是–e，執行命令並退出，如果是-f，執行文件中的命令並退出。
（12）創建ConsoleReader，讀取用戶輸入，遇到“；”為一個完整的命令，執行該命令(CliDriver.processLine )，接着讀取處理用戶的輸入。用戶輸入的命令記錄在user.home/.hivehistory文件中。


讀取用戶輸入hivesql，處理運行過程

CliDriver.processLine   去掉命令末尾的;，

CliDriver.processCmd

Split命令，分析第一個單詞：
（1）如果是quit或者exit，不區分大小寫，退出。
（2）source，執行文件中的HiveQL
（3）！，執行命令，如!ls，列出當前目錄的文件信息。
（4）list，列出jar/file/archive。
（5）如果是其他，則生成調用相應的CommandProcessor處理。

CommandProcessor

CommandProcessorFactory
（1）set           SetProcessor，設置修改參數,設置到SessionState的HiveConf里。
（2）dfs           DfsProcessor，使用hadoop的 FsShell運行hadoop的命令。
（3）add         AddResourceProcessor  添加到SessionState的resource_map里，運行提交job的時候會寫入 Hadoop的Distributed Cache。
（4）delete    DeleteResourceProcessor從SessionState的resource_map里刪除。
（5）其他       Driver


Driver
Driver.run(String command) // 處理一條命令
{
int ret = compile(command);  // 分析命令，生成Task。
ret = execute();  // 運行Task。
}

（1）詞法分析，生成AST樹，ParseDriver完成。
（2）分析AST樹，AST拆分成查詢子塊，信息記錄在QB，這個QB在下面幾個階段都需要用到，SemanticAnalyzer.doPhase1完成。
（3）從metastore中獲取表的信息，SemanticAnalyzer.getMetaData完成。
（4）生成邏輯執行計划，SemanticAnalyzer.genPlan完成。
（5）優化邏輯執行計划，Optimizer完成，ParseContext作為上下文信息進行傳遞。
（6）生成物理執行計划，SemanticAnalyzer.genMapRedTasks完成。
（7）物理計划優化，PhysicalOptimizer完成，PhysicalContext作為上下文信息進行傳遞。
（8）執行生成的物理計划，獲得結果。
（1）～（7）在Driver的compile中完成。
（8）在Driver的execute中完成，在執行階段一個一個Task運行，不會改變物理計划。
整個Hive代碼架構還不夠清晰，傳遞的上下文信息比較臃腫，比較難理解。


Driver.compile

Driver.compile(String command) // 處理一條命令
{
(1) Context
      ctx = new Context(conf); // private Context ctx; Driver的一個字段變量
(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);
      // 說明：如果有SEMANTIC_ANALYZER_HOOK("hive.semantic.analyzer.hook",null)這個hook，那 么會在sem.analyze(tree, ctx);前執行hook.preAnalyze(hookCtx, tree);在sem.analyze(tree, ctx);后執行hook.postAnalyze(hookCtx, sem.getRootTasks(), sem.getFetchTask()); 這里的hook有多個
(4) QueryPlan
   plan = new QueryPlan(command, sem);
(5) Schema
   schema = getSchema(sem, conf); // / get the output schema
}
Parser是：
使用antlr，語法規則是 Hive.g
ql/src/java目錄下面的：org.apache.hadoop.hive.ql. ParseDriver

SemanticAnalyzerFactory/SemanticAnalyzer
多種SemanticAnalyzer：
(1)ExplainSemanticAnalyzer（會調用SemanticAnalyzer獲得相應信息）
  explain 某條HiveSQL時調用
  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等時
(4)FunctionSemanticAnalyzer
CREATE/DROP  FUNCTION
(5)SemanticAnalyzer
select 等
（6）其他SemanticAnalyzer，Hive-0.6、0.7只有上面5種，trunk里面針對新功能新特性添加了相應的SemanticAnalyzer


Driver.execute

Driver.execute() // 運行命令生成的Task（一個或多個）
{
    (1) Get all the pre execution hooks and execute them.
    (2)  把root Tasks 加到 runnable隊列
    (3) 運行該SQL產生的Task 
        while (running.size() != 0 || runnable.peek() != null) { //task running隊列不為空，或者runnable不為空。
            while (runnable.peek() != null && running.size() < maxthreads) {//runnable隊列不為空
                   Task<? extends Serializable> tsk = runnable.remove();//刪除runnable隊列頭的task
                   launchTask(tsk, queryId, noName, running, jobname, jobs, driverCxt); //運行Task，如果打開了並發提交會通過新的線程去運行Task，否則就是主線程運行Task，直到Task運行完畢，把Task對應的 TaskResult和TaskRunner加入running隊列
             }
 
             //從running隊列中獲取一個運行完的Task
             TaskResult tskRes = pollTasks(running.keySet());
             TaskRunner tskRun = running.remove(tskRes);
             Task<? extends Serializable> tsk = tskRun.getTask();

              int exitVal = tskRes.getExitVal(); //task完成的狀態
              if (exitVal != 0) { //Task失敗
                    獲得task的backupTask
                    有backup，把backup加入到runnable隊列，沒有就需要返回return 9;，表示HiveSQL運行失敗。而不是System.exit(9);
              }
             
               // 把task的ChildTasks加入到runnable隊列。
        }
   (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：是否成功執行，是否運行
    TaskRunner tskRun = new TaskRunner(tsk, tskRes);

    // Launch Task
    if (HiveConf.getBoolVar(conf, HiveConf.ConfVars.EXECPARALLEL) && tsk.isMapRedTask()) { //並發提交打開並且這個是MR task，在另一個線程中執行。
      // Launch it in the parallel mode, as a separate thread only for MR tasks
      tskRun.start();
    } else {
      tskRun.runSequential(); // 主線程執行
    }
    running.put(tskRes, tskRun); // 放入running隊列
}

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

核心之一：SemanticAnalyzer
ql/src/java目錄下面的： org.apache.hadoop.hive.ql.SemanticAnalyzer
 
SemanticAnalyzer. analyzeInternal(ASTNode ast)
{
        // analyze create table command
        if (ast.getToken().getType() == HiveParser.TOK_CREATETABLE) { //帶有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 返回查詢子樹
regular create-table or create-table-like statements 返回null
                 return;
            }
        }

doPhase1(child, qb, initPhase1Ctx());//分析AST樹
 
getMetaData(qb); //從數據庫中獲得表的信息
 
Operator sinkOp = genPlan(qb);// AST-〉operator trees
 
Optimizer optm = new Optimizer();
pCtx = optm.optimize();// 優化  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) 從HQL語句到AST的轉化過程是很機械，使用ANTLR，根據Hive.g的語法分析規則，生成AST。
(2) 從AST轉化到QB，再到DAG圖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詢分析出來，如所有涉及的表和表的別名（如果這條HQL查詢語句中沒有為表取別名，那么取別名為 表名）的對應關系保存到QB的aliasToTabs，目標表（目標表即輸出的table）的子AST。where子句，select子句，join子 句，等一些子查詢的AST分析出來，保存起來。
QBMetaData是查詢相關的元數據信息，如所有源表（源表即從哪些表取得輸入數據）到該表的Table關聯。表的Table用來記錄 Table有哪些字段，各個字段的類型，表的分隔符等等信息。目標表名（存放輸出結果的表）到表的Table的關聯，目標表可以有多個，因為輸出可能是寫 入多個表。

QB-〉DAG圖的轉化過程。
從QB生成operator，從生成的QB中的子查詢生成Operator並保存記錄它們之間的父子關系，還可能插入一些operator，這些operator是一些必要的輔助功能。
后面需要對這個DAG圖，即operator圖進行拆分，生成一些mapreduce作業（job），如有一個map階段可能有多個 operator，完成這些operator的功能，如某個Job的map執行多個operator，TableScanOperator是第一個 operator，從讀取一個表的數據開始（一條一條記錄,record），在接着可能就是跟據where生成的 operator（FilterOperator），過濾哪些不符合規則的記錄（record,key/value），在接着是執行根據select生成 的Select Operator（該operator選擇僅需要的字段，過濾無關的字段，從而減少中間數據），最后是一個Reduce Output Operator，該operator完成map的輸出，生成中間key和value。
作業的reduce也是可以執行多個operator的。

從QB生成的Operator里面有父子關系，生成mapreduce時，會對這個具有父子關系的operator圖進行切分，生成一個個階段，有些階段是mapreduce作業，這些作業執行多個operator的功能。

ReduceSinkOperator是map的最后一個Operator，因為該operator需要生成一個map的輸出，即輸出key和輸出value。

生成Operator樹的過程：SemanticAnalyzer.genPlan(QB qb)
(1) 子查詢必須有一個別名即alias，遍歷所有的子查詢，出現多個子查詢在Join時出現，join兩邊的表都是來自子查詢。
(2) 遍歷所有的源表，出現多個在join時出現。
(3)處理join，在on條件中的過濾條件會推到join前即ReduceSinkOperator前，如果是一個join，那么先生成兩個ReduceSinkOperator，然后再生成JoinOperator，join這兩個表。
下面的是在SemanticAnalyzer.genBodyPlan(QB qb, Operator input) 里面完成。
(4) optimizeMultiGroupBy
  （4.1）optimizeMultiGroupBy可以優化時走的路徑跟下面的不相同。
     (4.2)    對每個select進行處理，多個select出現在Multi-Group-By Inserts、Multi Table/File Inserts、Dynamic-partition Insert等情況下。multi_insert.q
        
 
SemanticAnalyzer.doPhase1(ASTNode ast, QB qb, Phase1Ctx ctx_1) {
     switch (ast.getToken().getType()) {
         case HiveParser.TOK_SELECTDI:
         case HiveParser.TOK_SELECT:
            （1） 在QBParseInfo里保存select查詢子節點，Map<String, ASTNode> destToSelExpr;
            （2）有hint，在QBParseInfo保存hints子節點，ASTNode hints;
            （3）處理ast子樹的聚合函數，HiveParser.TOK_FUNCTION、TOK_FUNCTIONDI、TOK_FUNCTIONSTAR，
            （4）處理select中column別名Map<ASTNode, String> exprToColumnAlias;
            （5）保存聚合函數，QBParseInfo的LinkedHashMap<String, LinkedHashMap<String, ASTNode>> destToAggregationExprs;
            （6）TOK_FUNCTIONDI，抽取保存distinct聚合函數，HashMap<String, List<ASTNode>> destToDistinctFuncExprs;
         case HiveParser.TOK_WHERE:
               在QBParseInfo里保存where查詢子節點，HashMap<String, ASTNode> destToWhereExpr;
         case HiveParser.TOK_DESTINATION:
               在QBParseInfo里面保存目標地址子節點信息，HashMap<String, ASTNode> nameToDest;
         case HiveParser.TOK_FROM:
               只有一個子節點，有四種子節點
                （1） 一種是表，數據來源於一個表。processTable，處理別名，沒有別名表名就是別名。
                （2）一種是子查詢，數據來源於子查詢，processSubQuery，子查詢必須要有個別名，子查詢可能是單獨的一個query或者是兩個query的union。子查詢也是遞歸調用doPhase1來完成相關分析。
                （3）一種是視圖，數據來源於一個視圖，processLateralView
                （4）一種是Join，數據來源於幾個表的join，processJoin，join子節點的孩子節點是兩個或者三個，孩子節點可以是表、子查詢、join子節點，保存join子查詢ASTNode joinExpr;
         case HiveParser.TOK_CLUSTERBY:
                在QBParseInfo里保存cluster by查詢子節點，HashMap<String, ASTNode> destToClusterby;
         case HiveParser.TOK_DISTRIBUTEBY:
               在QBParseInfo里保存distribute by查詢子節點，有distribute by的時候不能有cluster by和order by，HashMap<String, ASTNode> destToDistributeby;
         case HiveParser.TOK_SORTBY:
               在QBParseInfo里保存sort by查詢子節點，有sort by的時候不能有cluster by和order by，HashMap<String, ASTNode> destToSortby;
         case HiveParser.TOK_ORDERBY:
               在QBParseInfo里保存order by查詢子節點，有order by的時候不能有cluster by，HashMap<String, ASTNode> destToOrderby;
         case HiveParser.TOK_GROUPBY:
               在QBParseInfo里保存group by查詢子節點，HashMap<String, ASTNode> destToGroupby;
         case HiveParser.TOK_LIMIT:
               在QBParseInfo里保存limit查詢子節點，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);  //遞歸處理各個孩子節點
      }
    }
}

SemanticAnalyzer.getMetaData(QB qb) {
         （1）從數據庫中獲取表的信息，這些表是記錄在QB的HashMap<String, String> aliasToTabs;中
         表的別名和對應的org.apache.hadoop.hive.ql.metadata.Table保存記錄在QB的QBMetaData qbm;的HashMap<String, Table> aliasToTable;中。
         （2）如果有子查詢，遞歸調用getMetaData(QB qb)從數據庫獲取表的信息   
         （3）獲取目的表的信息
                   目的子節點存儲在QBParseInfo的HashMap<String, ASTNode> nameToDest;
                   目的節點有2種：（3.1）目的是表，表分分區表和非分區表（3.2）目的是本地目錄或者hdfs目錄，獲得設置一個中間臨時目錄
}

SemanticAnalyzer.genPlan(QB qb){
    （1）處理子查詢，生成子查詢的operator tree
    （2）遍歷source tables，記錄保存在QB的HashMap<String, String> aliasToTabs;里面，對每個源表生成一個TableScanOperator，保存到SemanticAnalyzer的 HashMap<TableScanOperator, Table> topToTable;里
    （3）處理視圖
    （4）處理join
    （5）genBodyPlan，生成剩下的operator tree.
}

SemanticAnalyzer.genBodyPlan(QB qb, Operator input) {
      （1）multi-group by優化
      （2）遍歷所有的destination tables，保存記錄在QBParseInfo的Map<String, ASTNode> destToSelExpr;里，從select獲得。
               （2.1）有where語句生成FilterOperator，從QBParseInfo.destToWhereExpr里查詢
               （2.2）有group by或者聚合函數，根據相關配置生成相應operator tree.
               （2.3）生成SelectOperator，選取相應字段，來自select語句
               （2.4）有cluster by 或者distribute by或者order by或者sort by生成相應的ReduceSinkOperator和ExtractOperator，如果是order by設置reduce數為1
               （2.5）分兩種情況，qbp是子查詢與qbp不是子查詢
                            （2.5.1）是子查詢
                            （2.5.2）不是子查詢
                                  有limit，生成相應的LimitOperator，這里需要分情況，是否需要兩個MR
                                  如果需要進行類型轉換則生成相應的SelectOperator，生成FileSinkOperator
}

Optimizer.optimize() {

}

SemanticAnalyzer.genMapRedTasks(QB qb) {

}

核心之二：MapRedTask
TaskRunner：
  public void runSequential() {
    int exitVal = -101;
    try {
      exitVal = tsk.executeTask(); //運行Task.executeTask()
    } catch (Throwable t) {
      t.printStackTrace();
    }
    result.setExitVal(exitVal);
  }
Task：
  public int executeTask() {
      int retval = execute(driverContext); //各個子類實現該方法
  }
  protected abstract int execute(DriverContext driverContext);
這里介紹MapRedTask這個Task.

MapRedTask：
public int execute(DriverContext driverContext) {
（1）  setNumberOfReducers(); // estimate number of reducers   推測reduce個數
（2）  if (!ctx.isLocalOnlyExecutionMode() &&
          conf.getBoolVar(HiveConf.ConfVars.LOCALMODEAUTO)) { //HiveConf.ConfVars.HADOOPJT不是local，並且 LOCALMODEAUTO("hive.exec.mode.local.auto", true)打開
//hive.exec.mode.local.auto用於小job自動轉換為本地運行，should hive determine whether to run in local mode automatically
           判斷job能否本地運行，目前的判斷條件是：(一)輸入數據小於等於128M (二)map數小於等於4 (三) reduce數小於等於1，這3個條件都滿足，該任務就在本地運行。
         }
（3）計算得到 runningViaChild
      runningViaChild =
        "local".equals(conf.getVar(HiveConf.ConfVars.HADOOPJT)) ||
        conf.getBoolVar(HiveConf.ConfVars.SUBMITVIACHILD);
       //如果是本地運行或者通過子進程提交作業，runningViaChild為true
      (3.1) 如果runningViaChild為false，super.execute(driverContext);  ExecDriver.execute完成task。
      (3.2) 如果runningViaChild為true，通過子進程完成
               executor = Runtime.getRuntime().exec(cmdLine, env, new File(workDir));
               子進程的入口main函數是ExecDriver.main()
}


核心之三：ExecDriver
/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給hadoop，作業的信息諸如operator等信息 序列化到了 -plan plan5577504731701425227.xml里面。
ExecMapper、ExecReducer在configure(JobConf job)運行的時候會反序列化出來。
hive提交給hadoop的MapReduce作業，map階段運行ExecMapper，reduce階段運行ExecReducer。

add jar/add file/add archive，這些archive、jar和文件會寫入 Distributed Cache里面。在MapTask和ReduceTask運行的時候讀取調用。  寫入Distributed Cache參考ExecDriver。

ExecDriver使用JobClient提交Job后，定期查看Job的進展情況，Job完成后，調用operator的jobClose()方法。


hive.exec.plan
org.apache.hadoop.hive.ql.exec.Utilities.setMapRedWork() 會設置plan的ID

ExecDriver.execute(DriverContext driverContext) {
    (1) 創建ScratchDir目錄
    (2) 設置mapper類，reducer類等等
           job.setMapperClass(ExecMapper.class);
    (3) 如果有MapredLocalWork，並且不是localMode，那么上傳文件到HDFS，該文件加入DistributedCache。場景用於 auto map join，auto map join會產生兩個Task：MapredLocalTask+MapRedTask。 MapredLocalTask將小表的數據從hdfs fetch下來，put到一個HashTable，寫入到本地的一個文件中。在MapRedTask中把本地的這個文件寫入hdfs，add到 DistributedCache，就是當前的部分。這里的小表寫入HashTable合並相同的key，只需要在client端做一次，在map端只需 要讀取使用即可。加入DistributedCache是為了一個TaskTracker多次運行MapTask使用到一個文件時不需要多次下載，只需一 次下載即可。
  （4）MapredWork寫入hdfs，副本數設置為10，加入DistributedCache
          Utilities.setMapRedWork(job, work, ctx.getMRTmpFileURI());
   （5）創建JobClient
          JobClient jc = new JobClient(job);
   （6）運行PrejobHooks
          runPreJobHooks();  // Call the Pre-job hooks' list
    （7）提交job
         orig_rj = rj = jc.submitJob(job);
     （8）定時檢測job時候運行完成
         private void progress(ExecDriverTaskHandle th) throws IOException {
                 while (!rj.isComplete()) {
                        Thread.sleep(pullInterval); // pullInterval默認是 1000L，HIVECOUNTERSPULLINTERVAL("hive.exec.counters.pull.interval", 1000L)，通過hive.exec.counters.pull.interval可以設置
                        updateCounters(th); //獲取更新進度信息
                        String report = " " + getId() + " map = " + mapProgress + "%,  reduce = " + reduceProgress
          + "%";  // 打印這行進度信息
                 }
                 // while循環外，job已經結束
                 runPostJobHooks(rj); //運行PostJobHooks
         }
      （9）清理操作
      （10）運行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
}


ExecDriver.main( )
兩個地方調用
（1）MapRedTask   ：
           在本地執行或者通過子進程提交兩種方式下會調用。
           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  ：
           啟動子進程執行
           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());  // 從hdfs上面獲取小表數據，寫到HashTable中，然后dump到本地的一個文件。
                     }
           }

......