如何通過explain來驗證sql的執(zhí)行順序

關于 sql 語句的執(zhí)行順序網(wǎng)上有很多資料，但是大多都沒進行驗證，并且很多都有點小錯誤，尤其是對于 select 和 group by 執(zhí)行的先后順序，有說 select 先執(zhí)行，有說 group by 先執(zhí)行，到底它倆誰先執(zhí)行呢？

今天我們通過 explain 來驗證下 sql 的執(zhí)行順序。

在驗證之前，先說結論，Hive 中 sql 語句的執(zhí)行順序如下：

from 。. where 。. join 。. on 。. select 。. group by 。. select 。. having 。. distinct 。. order by 。. limit 。. union/union all

可以看到 group by 是在兩個 select 之間，我們知道 Hive 是默認開啟 map 端的 group by 分組的，所以在 map 端是 select 先執(zhí)行，在 reduce 端是 group by先執(zhí)行。

下面我們通過一個 sql 語句分析下：

select

sum（b.order_amount） sum_amount，

count（a.userkey） count_user

from user_info a

left join user_order b

on a.idno=b.idno

where a.idno 》 ‘112233’group by a.idno

having count_user》1limit 10;

上面這條 sql 語句是可以成功執(zhí)行的，我們看下它在 MR 中的執(zhí)行順序：

Map 階段：

執(zhí)行 from，進行表的查找與加載；

執(zhí)行 where，注意：sql 語句中 left join 寫在 where 之前的，但是實際執(zhí)行先執(zhí)行 where 操作，因為 Hive 會對語句進行優(yōu)化，如果符合謂詞下推規(guī)則，將進行謂詞下推；

執(zhí)行 left join 操作，按照 key 進行表的關聯(lián)；

執(zhí)行輸出列的操作，注意： select 后面只有兩個字段（order_amount，userkey），此時 Hive 是否只輸出這兩個字段呢，當然不是，因為 group by 的是 idno，如果只輸出 select 的兩個字段，后面 group by 將沒有辦法對 idno 進行分組，所以此時輸出的字段有三個：idno，order_amount，userkey;

執(zhí)行 map 端的 group by，此時的分組方式采用的是哈希分組，按照 idno 分組，進行order_amount 的 sum 操作和 userkey 的 count 操作，最后按照 idno 進行排序（group by 默認會附帶排序操作）；

Reduce 階段：

執(zhí)行 reduce 端的 group by，此時的分組方式采用的是合并分組，對 map 端發(fā)來的數(shù)據(jù)按照 idno 進行分組合并，同時進行聚合操作 sum（order_amount）和 count（userkey）；

執(zhí)行 select，此時輸出的就只有 select 的兩個字段：sum（order_amount） as sum_amount，count（userkey） as count_user;

執(zhí)行 having，此時才開始執(zhí)行 group by 后的 having 操作，對 count_user 進行過濾，注意：因為上一步輸出的只有 select 的兩個字段了，所以 having 的過濾字段只能是這兩個字段；

執(zhí)行 limit，限制輸出的行數(shù)為 10。

上面這個執(zhí)行順序到底對不對呢，我們可以通過 explain 執(zhí)行計劃來看下，內(nèi)容過多，我們分階段來看。

首先看下 sql 語句的執(zhí)行依賴：

我們看到 Stage-5 是根，也就是最先執(zhí)行 Stage-5，Stage-2 依賴 Stage-5，Stage-0 依賴 Stage-2。

首先執(zhí)行 Stage-5：

圖中標 ① 處是表掃描操作，注意先掃描的 b 表，也就是 left join 后面的表，然后進行過濾操作（圖中標 ② 處），我們 sql 語句中是對 a 表進行的過濾，但是 Hive 也會自動對 b 表進行相同的過濾操作，這樣可以減少關聯(lián)的數(shù)據(jù)量。

接下來執(zhí)行 Stage-2：

首先是 Map 端操作：

先掃描 a 表（圖中標 ① 處）；接下來進行過濾操作 idno 》 ‘112233’（圖中標 ② 處）；然后進行 left join，關聯(lián)的 key 是 idno（圖中標 ③ 處）；執(zhí)行完關聯(lián)操作之后會進行輸出操作，輸出的是三個字段，包括 select 的兩個字段加 group by 的一個字段（圖中標 ④ 處）；然后進行 group by 操作，分組方式是 hash（圖中標 ⑤ 處）；然后進行排序操作，按照 idno 進行正向排序（圖中標 ⑥ 處）。

然后是 Reduce 端操作：

首先進行 group by 操作，注意此時的分組方式是 mergepartial 合并分組（圖中標 ① 處）；然后進行 select 操作，此時輸出的字段只有兩個了，輸出的行數(shù)是 30304 行（圖中標 ② 處）；接下來執(zhí)行 having 的過濾操作，過濾出 count_user》1 的字段，輸出的行數(shù)是 10101 行（圖中標 ③ 處）；然后進行 limit 限制輸出的行數(shù)（圖中標 ④ 處）；圖中標 ⑤ 處表示是否對文件壓縮，false 不壓縮。

執(zhí)行計劃中的數(shù)據(jù)量只是預測的數(shù)據(jù)量，不是真實運行的，所以數(shù)據(jù)可能不準！

最后是 Stage-0 階段：

限制最終輸出的行數(shù)為 10 行。

總結

通過上面對 SQL 執(zhí)行計劃的分析，總結以下幾點：

每個 stage 都是一個獨立的 MR，復雜的 hive sql 語句可以產(chǎn)生多個 stage，可以通過執(zhí)行計劃的描述，看看具體步驟是什么。

對于 group by 的 key，必須是表中的字段，對于 having 的 key，必須是 select 的字段。

order by 是在 select 后執(zhí)行的，所以 order by 的 key 必須是 select 的字段。

select 最好指明字段，select * 會增加很多不必要的消耗（CPU、IO、內(nèi)存、網(wǎng)絡帶寬）。

責任編輯：haq