Hive谓词解析过程分析

蔚落 2022-04-10 02:25 374阅读 0赞

where col1 = 100 and abs(col2) > 0在Hive中的处理过程

where过滤条件称为谓词predicate。

以上where过滤条件在经过Hive的语法解析后，生成如下的语法树：

TOK\_WHERE  
AND  
=  
TOK\_TABLE\_OR\_COL  
c1  
100  
>  
TOK\_FUNCTION  
ABS  
TOK\_TABLE\_OR\_COL  
c2  
0  
有了语法树之后，最终的目的是生成predicate每个节点对应的ExprNodeDesc，即描述对应的节点：

public Map<ASTNode, ExprNodeDesc> genAllExprNodeDesc(ASTNode expr, RowResolver input,  
TypeCheckCtx tcCtx) throws SemanticException \{  
…  
Map<ASTNode, ExprNodeDesc> nodeOutputs =  
TypeCheckProcFactory.genExprNode(expr, tcCtx);  
…  
生成的过程是对上述语法树的一个深度优先遍历的过程，Hive中大量对树的遍历的代码，在遍历过程中根据指定的规则或对语法树进行修改，或输出相应的结果。

Hive中有一个默认的深度优先遍历的实现DefaultGraphWalker。

这个遍历器的实现部分代码如下：

public void walk(Node nd) throws SemanticException \{  
// Push the node in the stack  
opStack.push(nd);

// While there are still nodes to dispatch...
    while (!opStack.empty()) {
      Node node = opStack.peek();
    
      if (node.getChildren() == null ||
              getDispatchedList().containsAll(node.getChildren())) {
        // Dispatch current node
        if (!getDispatchedList().contains(node)) {
          dispatch(node, opStack);
          opQueue.add(node);
        }
        opStack.pop();
        continue;
      }
    
      // Add a single child and restart the loop
      for (Node childNode : node.getChildren()) {
        if (!getDispatchedList().contains(childNode)) {
          opStack.push(childNode);
          break;
        }
      }
    } // end while

\}  
先将当前节点放到待处理的栈opStack中，然后从opStack取节点出来，如果取出来的节点没有Children，或者Children已经全部处理完毕，才对当前节点进行处理（dispatch），如果当前节点有Children且还没有处理完，则将当前节点的Children放到栈顶，然后重新从栈中取节点进行处理。这是很基础的深度优先遍历的实现。

那在遍历的过程中，如何针对不同的节点进行不同的处理呢？

在遍历之前，先预置一些针对不同的节点不同规则的处理器，然后在遍历过程中，通过分发器Dispatcher选择最合适的处理器进行处理。

生成ExprNodeDesc的遍历中一共先预置了8个规则Rule，每个规则对应一个处理器NodeProcessor：

Map<Rule, NodeProcessor> opRules = new LinkedHashMap<Rule, NodeProcessor>();
    
    opRules.put(new RuleRegExp("R1", HiveParser.TOK_NULL + "%"),
        tf.getNullExprProcessor());
    opRules.put(new RuleRegExp("R2", HiveParser.Number + "%|" +
        HiveParser.TinyintLiteral + "%|" +
        HiveParser.SmallintLiteral + "%|" +
        HiveParser.BigintLiteral + "%|" +
        HiveParser.DecimalLiteral + "%"),
        tf.getNumExprProcessor());
    opRules
        .put(new RuleRegExp("R3", HiveParser.Identifier + "%|"
        + HiveParser.StringLiteral + "%|" + HiveParser.TOK_CHARSETLITERAL + "%|"
        + HiveParser.TOK_STRINGLITERALSEQUENCE + "%|"
        + "%|" + HiveParser.KW_IF + "%|" + HiveParser.KW_CASE + "%|"
        + HiveParser.KW_WHEN + "%|" + HiveParser.KW_IN + "%|"
        + HiveParser.KW_ARRAY + "%|" + HiveParser.KW_MAP + "%|"
        + HiveParser.KW_STRUCT + "%|" + HiveParser.KW_EXISTS + "%|"
        + HiveParser.KW_GROUPING + "%|"
        + HiveParser.TOK_SUBQUERY_OP_NOTIN + "%"),
        tf.getStrExprProcessor());
    opRules.put(new RuleRegExp("R4", HiveParser.KW_TRUE + "%|"
        + HiveParser.KW_FALSE + "%"), tf.getBoolExprProcessor());
    opRules.put(new RuleRegExp("R5", HiveParser.TOK_DATELITERAL + "%|"
        + HiveParser.TOK_TIMESTAMPLITERAL + "%"), tf.getDateTimeExprProcessor());
    opRules.put(new RuleRegExp("R6",
        HiveParser.TOK_INTERVAL_YEAR_MONTH_LITERAL + "%|"
        + HiveParser.TOK_INTERVAL_DAY_TIME_LITERAL + "%|"
        + HiveParser.TOK_INTERVAL_YEAR_LITERAL + "%|"
        + HiveParser.TOK_INTERVAL_MONTH_LITERAL + "%|"
        + HiveParser.TOK_INTERVAL_DAY_LITERAL + "%|"
        + HiveParser.TOK_INTERVAL_HOUR_LITERAL + "%|"
        + HiveParser.TOK_INTERVAL_MINUTE_LITERAL + "%|"
        + HiveParser.TOK_INTERVAL_SECOND_LITERAL + "%"), tf.getIntervalExprProcessor());
    opRules.put(new RuleRegExp("R7", HiveParser.TOK_TABLE_OR_COL + "%"),
        tf.getColumnExprProcessor());
    opRules.put(new RuleRegExp("R8", HiveParser.TOK_SUBQUERY_OP + "%"),
        tf.getSubQueryExprProcessor());

这里使用的分发器Dispatcher是DefaultRuleDispatcher，DefaultRuleDispatcher选择处理器的逻辑如下：

// find the firing rule
    // find the rule from the stack specified
    Rule rule = null;
    int minCost = Integer.MAX_VALUE;
    for (Rule r : procRules.keySet()) {
      int cost = r.cost(ndStack);
      if ((cost >= 0) && (cost <= minCost)) {
        minCost = cost;
        rule = r;
      }
    }
    
    NodeProcessor proc;
    
    if (rule == null) {
      proc = defaultProc;
    } else {
      proc = procRules.get(rule);
    }
    
    // Do nothing in case proc is null
    if (proc != null) {
      // Call the process function
      return proc.process(nd, ndStack, procCtx, nodeOutputs);
    } else {
      return null;
    }

遍历所有的规则Rule，调用每个规则的cost方法计算cost，找其中cost最小的规则对应的处理器，如果没有找到，则使用默认处理器，如果没有设置默认处理器，则不做任何事情。

那么每个规则的cost是如何计算的？

– 没太看懂==|| (后续再理理)

WHERE条件语法树每个节点对应的处理器如下：

TOK\_WHERE  
AND --> TypeCheckProcFactory.DefaultExprProcessor  
= --> TypeCheckProcFactory.DefaultExprProcessor  
TOK\_TABLE\_OR\_COL --> TypeCheckProcFactory.ColumnExprProcessor  
c1 --> TypeCheckProcFactory.StrExprProcessor  
100 --> TypeCheckProcFactory.NumExprProcessor  
> --> TypeCheckProcFactory.DefaultExprProcessor  
TOK\_FUNCTION --> TypeCheckProcFactory.DefaultExprProcessor  
ABS --> TypeCheckProcFactory.StrExprProcessor  
TOK\_TABLE\_OR\_COL --> TypeCheckProcFactory.ColumnExprProcessor  
c2 --> TypeCheckProcFactory.StrExprProcessor  
0 --> TypeCheckProcFactory.NumExprProcessor

TypeCheckProcFactory.StrExprProcessor 生成ExprNodeConstantDesc  
TypeCheckProcFactory.ColumnExprProcessor 处理column，生成ExprNodeColumnDesc  
TypeCheckProcFactory.NumExprProcessor生成ExprNodeConstantDesc  
TypeCheckProcFactory.DefaultExprProcessor生成ExprNodeGenericFuncDesc  
在深度优先遍历完WHERE语法树后，每个节点都会生成一个ExprNodeDesc，但是其实除了最顶层的AND节点生成的ExprNodeDesc有用，其他的节点生成的都是中间结果，最终都会包含在AND节点生成的ExprNodeDesc中。所以在遍历WHERE树后，通过AND节点生成的ExprNodeDesc构造FilterDesc：

new FilterDesc(genExprNodeDesc(condn, inputRR, useCaching), false)  
有了FilterDesc后，就能够构造出FilterOperator了，然后再将生成的FilterOperator加入到Operator树中：

Operator ret = get((Class) conf.getClass());  
ret.setConf(conf);  
至此，where过滤条件对应的FilterOperator构造完毕。

接下来仔细看下AND生成的ExprNodeDesc，它其实是一个ExprNodeGenericFuncDesc：

// genericUDF是GenericUDFOPAnd，就是对应AND操作符  
private GenericUDF genericUDF;  
// AND是一个二元操作符，children里存的是对应的操作符  
// 根据WHERE语法树，可以知道children\[0\]肯定又是一个ExprNodeGenericFuncDesc，而且是一个=函 // 数，而children\[1\]也是一个肯定又是一个ExprNodeGenericFuncDesc，而且是一个>函数，以此类 // 推，每个ExprNodeGenericFuncDesc都有对应的children  
private List chidren;  
// UDF的名字，这里是and  
private transient String funcText;  
/\*\*

*  This class uses a writableObjectInspector rather than a TypeInfo to store
 *  the canonical type information for this NodeDesc.  
    \*/  
    private transient ObjectInspector writableObjectInspector;  
    每个ExprNodeDesc都对应有一个ExprNodeEvaluator，来对每个ExprNodeDesc进行实际的计算。看下ExprNodeEvaluator类的基本方法：

public abstract class ExprNodeEvaluator \{  
// 对应的ExprNodeDesc  
protected final T expr;  
// 在经过这个Evaluator计算后，它的输出值该如何解析的ObjectInspector  
protected ObjectInspector outputOI;  
…  
/\*\*

*  Initialize should be called once and only once. Return the ObjectInspector
 *  for the return value, given the rowInspector.
 *  初始化方法，传入一个ObjectInspector，即传入的数据应该如何解析的ObjectInspector
 *  而需要返回经过这个Evaluator计算后的输出值的解析ObjectInspector  
    \*/  
    public abstract ObjectInspector initialize(ObjectInspector rowInspector) throws HiveException;

// evaluate方法，调用来对row数据进行解析  
public Object evaluate(Object row) throws HiveException \{  
return evaluate(row, -1);  
\}

/\*\*

*  Evaluate the expression given the row. This method should use the
 *  rowInspector passed in from initialize to inspect the row object. The
 *  return value will be inspected by the return value of initialize.
 *  If this evaluator is referenced by others, store it for them  
    \*/  
    protected Object evaluate(Object row, int version) throws HiveException \{  
    if (version < 0 || version != this.version) \{  
    this.version = version;  
    return evaluation = \_evaluate(row, version);  
    \}  
    return evaluation;  
    \}  
    // 由各个子类实现的方法的\_evaluate方法，结合上面的evaluate方法，这里实际使用了设计模式的模板 // 方法模式  
    protected abstract Object \_evaluate(Object row, int version) throws HiveException;  
    …  
    \}  
    通过ExprNodeEvaluatorFactory获取到每个ExprNodeDesc对应的ExprNodeEvaluator：

public static ExprNodeEvaluator get(ExprNodeDesc desc) throws HiveException \{  
// Constant node  
if (desc instanceof ExprNodeConstantDesc) \{  
return new ExprNodeConstantEvaluator((ExprNodeConstantDesc) desc);  
\}

// Column-reference node, e.g. a column in the input row
    if (desc instanceof ExprNodeColumnDesc) {
      return new ExprNodeColumnEvaluator((ExprNodeColumnDesc) desc);
    }
    // Generic Function node, e.g. CASE, an operator or a UDF node
    if (desc instanceof ExprNodeGenericFuncDesc) {
      return new ExprNodeGenericFuncEvaluator((ExprNodeGenericFuncDesc) desc);
    }
    // Field node, e.g. get a.myfield1 from a
    if (desc instanceof ExprNodeFieldDesc) {
      return new ExprNodeFieldEvaluator((ExprNodeFieldDesc) desc);
    }
    throw new RuntimeException(
        "Cannot find ExprNodeEvaluator for the exprNodeDesc = " + desc);

\}  
看下FilterOperator中如何使用ExprNodeEvaluator对数据进行过滤的。

首先在FilterOperator的initializeOp方法中，获取到ExprNodeEvaluator：

conditionEvaluator = ExprNodeEvaluatorFactory.get(conf.getPredicate());  
然后在process方法中，调用initialize方法后，调用eveluate方法获取到整个where过滤的结果：

conditionInspector = (PrimitiveObjectInspector) conditionEvaluator  
.initialize(rowInspector);  
…  
Object condition = conditionEvaluator.evaluate(row);  
…  
Boolean ret = (Boolean) conditionInspector  
.getPrimitiveJavaObject(condition);  
// 如果结果是true，则forward到下一个operator继续处理  
if (Boolean.TRUE.equals(ret)) \{  
forward(row, rowInspector);  
\}  
再来看下GenericUDFOPAnd的evaluate方法实现：

@Override  
public Object evaluate(DeferredObject\[\] arguments) throws HiveException \{  
boolean bool\_a0 = false, bool\_a1 = false;  
Object a0 = arguments\[0\].get();  
if (a0 != null) \{  
bool\_a0 = boi0.get(a0);  
if (bool\_a0 == false) \{  
result.set(false);  
return result;  
\}  
\}

Object a1 = arguments[1].get();
    if (a1 != null) {
      bool_a1 = boi1.get(a1);
      if (bool_a1 == false) {
        result.set(false);
        return result;
      }
    }
    
    if ((a0 != null && bool_a0 == true) && (a1 != null && bool_a1 == true)) {
      result.set(true);
      return result;
    }
    
    return null;

\}  
从以上代码知道，在进行AND的计算时，如果左边条件返回false，则不会进行右边条件的计算，所以AND的顺序其实是影响实际的效率的。类似的还有OR也是一样的，如果左边条件返回true，则不会进行右边条件的计算。