基本描述
Hive的join过程,即hive将sql的join转化为mapreduce来执行的过程。关键词主要有三个:执行计划、Shuffle join和map join。
因此回答本问题时,可以先回答hive是怎样执行sql的,再对join的过程进行说明。
当遇到让你结合例子来说明join过程的问题时,大数据培训根据总结选择性回答即可。
总结回答
1 简单解释hive解析sql到mr
ok,首先Hive会根据DQL类SQL语句生成一个MapReduce作业。具体是通过Driver将SQL提交到编译器进行语法分析、解析和优化,最后生成一个MapReduce的执行计划,再根据执行计划,生成一个MapReduce作业。
2 概况join的类型
接着hive的join主要可以分为Shuffle join和map join。两者的区别是:Shuffle join是在reduce端完成的join,map join是在map端完成的join。
3 shuffle join
MR的Shuffle join的过程分为map、shuffle和reduce:
- 首先是map过程,会由map task 分别去读A表和B表。因为join要涉及两张表,因此要在 map 输出的时候进行标记。比如来自第一张表的输出 Value 就记录为 <1, X>,这里的 1 表示数据来自第一张表,key值为 join中on的关联条件;
- 接着是Shuffle过程,Shuffle会将相同的key分发到相同的reducer中;
- 最后是Reduce过程,在reduce端完成真正的join操作。根据表的标记对 Value 数据求笛卡尔积,用第一张表的每条记录和第二张表的每条记录连接,输出就是 join 的结果。
4 map join
Hive 默认的是map join。map join的过程只有map,其中reduce阶段在map中完成:
- 首先会把小表加载到缓存中。通过启动一个mapReduce的local task,这个task会去读取小表的数据,然后生成一堆hashtablefiles文件,接着把这个文件放到Distributed catch分布式缓存;
- 接着map task会去读取大表数据,读取过程中直接与缓存做join,没有shuffle过程。
文章来源于Diting