5.提交job
3.定义Mapper和Reducer
解析器：将SQL字符串转换成抽象的语法书AST，这一步一般都用第三方工具库完成，比如：antlr、对AST进行语法分析，比如表是否存在，字段时候存在，SQL语义是否正确
1.获取MR临时工作目录
ExecDriver
1.进入程序，利用Antlr框架定义HQL的语法规则，对HQL完成词法语法解析，将HQL转换为为AST（抽象语法树）；2.遍历AST，抽象出查询的基本组成单元QueryBlock（查询块），可以理解为最小的查询执行单元；3.遍历QueryBlock，将其转换为OperatorTree（操作树，也就是逻辑执行计划），可以理解为不可拆分的一个逻辑执行单元；4.使用逻辑优化器对OperatorTree（操作树）进行逻辑优化。例如合并不必要的ReduceSinkOperator，减少Shuffle数据量；5.遍历OperatorTree，转换为TaskTree。也就是翻译为MR任务的流程，将逻辑执行计划转换为物理执行计划；6.使用物理优化器对TaskTree进行物理优化；7.生成最终的执行计划，提交任务到Hadoop集群运行。
HDFS
执行器：把逻辑计划转换成可以运行的物理计划。对于hive来说，MR/Spark
CLI (command-line-interface)、JDBC/ODBC(jdbc访问hive)、WEBUI(浏览器访问hive)
Query Optimizer执行器
Drive
JDBC
Meta strore
CliDriver
2.对Token进行解析，生成AST
Execution执行器
$HIVE_HOME/bin/hiveselect ....
CLI
3.提交任务执行
2.定义Partitioner
SQL Parder解析器
2.将AST转换为TaskTree
5.TaskTre执行物理优化
4.生成TaskTree
1.解析客服端“-e -f”等参数
client
优化器：对逻辑执行计划进行优化
1.将HQL语句转换为Token
HQL 转换为MR的核心流程
用户接口：Client
4.实例化job
Driver
元数据包括：表名、表所属的数据库(默认是default)、表的拥有者、列/分区字段、表的类型(是否是外部表)、表数据所在的目录等
1.将AST转换为QueryBlock
SemanticAnalyzer
使用HDFS做储存，MapReduce进行计算
HQL编译为MR任务流程介绍
2.定义标准输入输出流
1.将HQL语句转换成AST
说明
2.将QueryBlock转换为OperatorTree
四个器：
3.OperatorTree进行逻辑优化
编译器：将AST语法书编译生成逻辑执行计划
Physical Plan编译器
MapReduce
元数据：Metstore
PaserDriver
3.然后按照“;”切分HQL语句
Hive架构
Hadoop：
