Spark SQL与Hive的关系

Posted 2022-12-05 Frank201608

Shark为了实现Hive兼容，在HQL方面重用了Hive中HQL的解析、逻辑执行计划翻译、执行计划优化等逻辑，可以近似认为仅将物理执行计划从MR作业替换成了Spark作业（辅以内存列式存储等各种和Hive关系不大的优化）；

 同时还依赖Hive Metastore和Hive SerDe（用于兼容现有的各种Hive存储格式）。

这一策略导致了两个问题， 

第一是执行计划优化完全依赖于Hive，不方便添加新的优化策略； 

二是因为MR是进程级并行，写代码的时候不是很注意线程安全问题，导致Shark不得不使用另外一套独立维护的打了补丁的Hive源码分支（至于为何相关修改没有合并到Hive主线，我也不太清楚）。 　　

Spark SQL解决了这两个问题。

第一，Spark SQL在Hive兼容层面仅依赖HQL parser、Hive Metastore和Hive SerDe。

也就是说，从HQL被解析成抽象语法树（AST）起，就全部由Spark SQL接管了。

执行计划生成和优化都由Catalyst负责。

借助Scala的模式匹配等函数式语言特性，利用Catalyst开发执行计划优化策略比Hive要简洁得多。