hive查询where join_Hive解析流程-抽象语法树生成

HiveQL解析流程：

Hive根据Antlr定义的词法、语法规则完成词法、语法分析将HQL解析为AST Tree；
遍历AST Tree，抽象出查询的基本组成单元Query Block；
遍历Query Block解析为操作树Operator Tree(即，逻辑执行计划)；
逻辑优化器进行操作树变换，合并多余的ReduceSinkOperator，减少shuffle；
遍历Operator Tree，将操作树翻译为对应的MapReduce任务；
物理优化器进行MapReduce任务变换，生成最终的执行计划。

1、前言

Hive通过antlr3定义HiveQL语言。ANTLR是一个基于LL(*)算法实现的语言识别器，定义词法文件、语法文件，通过 antlr 可以构造出相应的词法分析器 (Lexer)、语法分析器 (Parser) 和树分析器 (Tree Parser)。

词法分析器（Lexer）：校验输入字符的合法性，将无含义的字符流翻译为有意义的单词(token)，识别关键字，生成token流。

语法分析器（Parser）：语法分析器将获取到的token流组织，按照语法规则进行重写生成抽象语法树。

树分析器(TreeParser)：对语法分析生成的抽象语法树遍历，进行语法树的分析工作。

2、词法、语法文件

Hive中通过antlr3定义的词法文件、语法文件存放在Hive源码src/org/apache/hadoop/hive/ql/parse/ 目录中，以.g后缀结尾，其中包含了5个文件。

HiveLexer.g ：定义Hive关键字，及组成词组的合法字符

SelectClauseParser.g ：定义select语句的语法规则

FromClauseParser.g ：定义from语句的语法规则

IdentifiersParser.g ：定义函数、group等的语法规则

HiveParser.g：定义语法规则文件，引入了其他语法规则文件

词法文件

HiveLexer.g是Hive的词法文件，其中定义了Hive所有的关键字、保留字以及可以被Hive识别的合法字符，不在其中定义的字符，将被Hive认为是非法字符输入。词法规则示例：

KW_SELECT : 'SELECT';
KW_WHERE : 'WHERE';
KW_FROM : 'FROM';
fragment
Letter: 'a'..'z' | 'A'..'Z';

语法文件

语法文件中定义了HiveQL的语法规则，用户写的HiveQL将会按照在语法文件中定义的语法规则进行重写，将HiveQL转换为抽象语法树。

Hive的查询语句由以下几个部分构成：

Select语句：查询映射部分；
From语句：描述查询的数据源，数据源主要包括表、子查询语句、join语句等；
Body语句：查询语句的主体部分，包括group by,distribute by,order by,sort by,limit,having,where,clusterby等。

语法文件中 atomSelectStatement 部分是查询语句的基本结构，如下：

atomSelectStatement:s=selectClausef=fromClause?w=whereClause?g=groupByClause?h=havingClause?win=window_clause?-> ^(TOK_QUERY $f? ^(TOK_INSERT ^(TOK_DESTINATION ^(TOK_DIR TOK_TMP_FILE))$s $w? $g? $h? $win?))|LPAREN! selectStatement RPAREN!;

语法文件中，将输入的HiveQL按照语法规则进行重写，生成如下结构语法树：

语法树由from 和 TOK_INSERT 两部分组成。from 代表了 from子句的语法树；TOK_INSERT 子树是查询的主体部分，包含了查询结果目的数据源TOK_DESTINATION子树、select子句语法树、body子句(where, group,having等)语法树。

以上是Hive查询语句的语法树主体结构，所有的查询语句都会转换成这样结构的语法树，不同的是from、select等子树的不同，子树的生成同样也是根据语法文件中定义的语法规则，对各个子句进行重写，生成对应的语法树子树，拼接到语法树的主体结构上，最终生成HiveQL对应的完整抽象语法树。

3、词法、语法解析

词法、语法解析入口

Driver类
run(cmd)
-runInternal(cmd,compiled)
--compileInternal(cmd)
---compile(cmd)* 开始进行词法、语法解析
ParseUtiles工具类
----parse(cmd)ParseDriver解析驱动类
-----parse(cmd)
------1.HiveLexerX 词法解析
------2.HiveParser 语法解析
------3.parser.statement().getTree() 生成AST Tree

解析流程

HiveLexerX，HiveParser都是由Antlr词法、语法文件编译后自动生成的词法、语法解析类。

HiveLexerX解析类进行字符流->Token流的转换，其进行HQL词法识别；
HiveParser解析类进行字符流->Token流的转换，其进行HQL语法识别，语法识别会对原语进行翻译，并通过一些标识符标示一些特定的语法（如，TOK_QUERY标示一个查询块）；

示例HiveQL：

SELECT t1.id,t1.name,t2.name AS name_t2
FROM temp.t1 t1
JOIN temp.t2 t2 ON (t1.id=t2.id and t2.name='aa')
WHERE t1.name='a'
;

基于示例HQL，生成的AST Tree如下：

TOK_QUERYTOK_FROMTOK_LEFTOUTERJOINTOK_TABREFTOK_TABNAMEtempt1t1TOK_TABREFTOK_TABNAMEtempt2t2and=.TOK_TABLE_OR_COLt1id.TOK_TABLE_OR_COLt2id=.TOK_TABLE_OR_COLt2name'aa'TOK_INSERTTOK_DESTINATIONTOK_DIRTOK_TMP_FILETOK_SELECTTOK_SELEXPR.TOK_TABLE_OR_COLt1idTOK_SELEXPR.TOK_TABLE_OR_COLt1nameTOK_SELEXPR.TOK_TABLE_OR_COLt2namename_t2TOK_WHERE=.TOK_TABLE_OR_COLt1name'a'

详细对比HQL原语和AST Tree来看，解析过程对每个表生成一个TOK_TABREF节点，对from关键字生成一个TOK_FROM节点，对查询的每个字段生成一个TOK_SELEXPR节点，每个使用到的属性列生成一个TOK_TABLE_OR_COL节点，where关键字对应生成TOK_WHERE节点，其他节点类似可以一一对应到HQL原语上。