Question

hive sql里，帮我描述一个简单的sql的原理

比如：select a.id,a.info,b.num from a join b on a.id=b.id where b.num>=10
表A两个字段：id和info；
表B两个字段：id和num
比如A表有3条数据：
id info
1 a
2 b
3 c
B表有4条数据：
id num
1 12
2 15
3 5
4 19
请求牛人清楚的写一下hadoop里map reduce的过程
比如先是扫描全表，where过滤了一批数，然后表是怎么map，怎么切分，最后怎么reduce的，最后输出
这么一道hive sql，怎么看它会转换为多少道MR作业？
job数，task数又怎么看，如果sql复杂了，我怎么判定是我sql哪个环节有问题呢，进而去优化sql。
本人对hadoop方面纯粹菜鸟，求大牛讲讲，感激不尽啊！
我的核心问题是 hadoop是怎么用map reduce来实现sql，原理是什么

Answer 1

select a.id,a.info,b.num from a join b on a.id=b.id and where b.num>=10

两个表做关联，首先where会过滤掉不需要的数据。
至于表怎么做map和reduce操作，在hive里的表是虚拟的，其实还是对hdfs文件进行操作，你可以在hdfs:///user/hive/warehouse路径下找到以表名来命名的文件，里面就是表的内容，可以执行-cat命令查看。所以，它的map操作很简单，就是按行读文件，然后会根据hive的默认分隔符\001对每行进行切分。切分完成后就会按照你SQL指定的逻辑进行合并，最后再输出成hdfs文件，只不过在hive里面看它是以表的形式展现的。

job数会在你执行sql语句之后紧接着有相应的日志记录，

Total MapReduce jobs = 2
Launching Job 1 out of 2
Number of reduce tasks not specified. Estimated from input data size: 2
In order to change the average load for a reducer (in bytes):
set hive.exec.reducers.bytes.per.reducer=<number>
In order to limit the maximum number of reducers:
set hive.exec.reducers.max=<number>
In order to set a constant number of reducers:

这样就是有两个job，正在执行第一个job。

Hadoop job information for Stage-1: number of mappers: 5; number of reducers: 2
而这个就会告诉你有多少个mapper和reducer。
像你写的这个sql有join操作，而且是hiveSQL里面最普通的join，那么一定会有reducer参与，如果数据量很大，比如上千万条记录，join就会特别慢，job进度就会一直卡在reduce操作。可以改成mapjoin或者sort merge bucket mapjoin。

其实hive效率不高，不适合实时查询，即使一个表为空，用hive进行查询也会很耗时，因为它要把sql语句翻译成MR任务。虽然简化了分布式编程，但是效率上就会付出代价。

你的这句sql应该会翻译成一个JOB来执行，就是简单地map和reduce。

mapreduce就是按行读文件，然后切分，合并，输出成文件。

追问

谢谢呀，我把分数加到100分啦~
您能不能具体来讲讲呢：
join 相应的map reduce是怎么处理数据的，map join是怎么一步步处理的，以我给的那2个表为例吧。

追答

不好意思，最近工作太忙，没注意追问

最为普通的join策略，不受数据量的大小影响，也可以叫做reduce side join ，它是最没效率的一种join 方式，它由一个mapreduce job 完成.
首先将大表和小表分别进行map 操作, 在map shuffle 的阶段每一个map output key 变成了table_name_tag_prefix + join_column_value .即，每个map的outputkey 都变成了 列名 a.id或者b.id
然后每一个reduce 接受所有的map 传过来的split数据片 , 在reducce 的shuffle 阶段，它将map output key 前面的table_name_tag_prefix 给舍弃掉进行比较. 因为reduce 的个数可以由小表的大小进行决定，所以对于每一个节点的reduce 一定可以将小表的split 放入内存变成hashtable. 然后将大表的每一条记录进行一条一条的比较.

简单的说就是hash表，然后对每条记录进行匹配。

map join更好理解，不过最好是在两张表大小差距很大的情况下使用，map join对内存大小有要求，它要把小表放进内存中做成hash表，具体如下：
Map Join 的计算步骤分两步，将小表的数据变成hashtable广播到所有的map 端，将大表的数据进行合理的切分，然后在map 阶段的时候用大表的数据一行一行的去探测(probe) 小表的hashtable. 如果join key 相等，就写入HDFS.
map join 之所以叫做map join 是因为它所有的工作都在map 端进行计算.少了reduce，速度就会明显提高。

Answer 2

我不知道你问的什么我告诉你这个执行过程吧 ！
1.FROM：对FROM子句中的前两个表执行笛卡尔积（Cartesian product)(交叉联接），生成虚拟表VT1
2.ON：对VT1应用ON筛选器。只有那些使<join_condition>为真的行才被插入VT2。
3.OUTER(JOIN)：如果指定了OUTER JOIN（相对于CROSS JOIN 或(INNER JOIN),保留表（preserved table：左外部联接把左表标记为保留表，右外部联接把右表标记为保留表，完全外部联接把两个表都标记为保留表）中未找到匹配的行将作为外部行添加到 VT2,生成VT3.如果FROM子句包含两个以上的表，则对上一个联接生成的结果表和下一个表重复执行步骤1到步骤 3，直到处理完所有的表为止。
4.WHERE：对VT3应用WHERE筛选器。只有使<where_condition>为true的行才被插入VT4.
5.GROUP BY：按GROUP BY子句中的列列表对VT4中的行分组，生成VT5.
6.CUBE|ROLLUP：把超组(Suppergroups)插入VT5,生成VT6.
7.HAVING：对VT6应用HAVING筛选器。只有使<having_condition>为true的组才会被插入VT7.
8.SELECT：处理SELECT列表，产生VT8.
9.DISTINCT：将重复的行从VT8中移除，产生VT9.
10.ORDER BY：将VT9中的行按ORDER BY 子句中的列列表排序，生成游标（VC10).
11.TOP：从VC10的开始处选择指定数量或比例的行，生成表VT11,并返回调用者。

(8)SELECT (9)DISTINCT (11)<Top Num><select list>
(1)FROM[left_table]
(3)<join_type>JOIN<right_table>
(2)ON<join_condition>
(4)WHERE<where_condition>
(5)GROUPBY<group_by_list>
(6)WITH<CUBE | RollUP>
(7)HAVING<having_condition>
(10)ORDERBY<order_by_list>

追问

您好，我问的是我写的那段sql，hadoop是怎么用map reduce来实现，原理是什么，谢谢啦！