Hivesql ->mapreduce 简单的可以分为六个阶段：
1、SQL词法，语法解析生成抽象语法树AST Tree Antrl定义了SQL语法规则，完成SQL词法、语法解析，将SQL转化为抽象语法树AST Tree，树上的每个节点就是一个ASTNode；
2、遍历AST Tree，抽象出查询的基本组成单元QueryBlock QueryBlock就是一个子查询
Select * from (select * from b) a;
QueryBlock1:select * from b;
QueryBlock2:select * from a;
3、遍历QueryBlock，翻译成执行操作树OperatorTree
4、逻辑层优化器进行OperatorTree变化，合并不必要的ReduceSinkOperator，减少shuffle数据量
5、遍历OperatorTree，翻译成MapReduce任务（物理执行计划）
6、物理层优化器进行MapReduce任务的变换，生成最终的执行计划
下面对hive-2.3.9源码进行详细的分析： CliDriver类：
685行：main()
687行：run()
694行：!oproc.process_stage1(args) 解析hiveconf参数，如日志级别；
719行：!oproc.process_stage2(ss) 解析hive -i -f -e -S -H -hivevar等 如：hive -e "select * from student";
760行：executeDriver(ss,conf,oproc);
804行：setupConsoleReader(); 初始化从console读取用户编辑的sql命令等；
879行：setupCmdHistory(); 设置hql命令历史记录相关操作；
813行：while()循环不停的读取 命令 执行
822行:processLine() 解析处理SQL
349行 ：processLine（）
353行：ctrl+c处理；
388行：切分出每一个单独的sql；
403行：processCmd(command) 执行每一条sql；
117行：processCmd（）
129行：分支处理各种sql；
184行：处理正真的sql："select …" 这样的
215行：processLocalCmd（）
233行：qp.run(cmd) 执行sql；
245行：输出表头；
254行：输出数据；
279行：数据查询时间和行数信息；
Driver类中run() 执行查询语句的方法
1235行：run（）
1237行：runInternal（） 该方法做两件事：1.编译：sql->物理执行计划；2、执行：LauchTask();
1407行：runInternal（）
1457行：compileInternal(command,true); 编译
1317行：compile(command,true,deferClose)；编译，做了三件事
468行：ASTNodetree=ParseUtils.parse(command,ctx); 将hql转译成ASTNode抽象语法树；
506行：sem.analyze(tree,ctx);sem(SemacticAnalyzer(寓意分析器))将ASTNode转化成TaskTree （物理执行计划）
531行：plan=newQueryPlan(queryStr,sem,perfLogger.getStartTime(PerfLogger.DRIVER_RUN),queryId,queryState.getHiveOperation(),schema); 把TaskTree生成一个QueryPlan;
1526行：execute(true); 执行
最重要的一个类：SemanticAnalyzer类：
11128行：analyzeInternal(ASTNodeast,PlannerContextplannerCtx)
抽象语法树 生成 解析树，AST Tree 仍然很复杂，不够结构化，不方便直接翻译成为MapReduce程序；AST Tree转化为QueryBlock就是将sql进一步抽象和结构化；QueryBlock是一条sql的最基本组成单元，包含三部分：输入源/计算过程/输出；简单来说：QueryBlock就是一个子查询；在这个环节中，会有和元数据库的交互；
// 1. Generate Resolved Parse tree from syntax tree 将AST Tree转化成解析树，先将AST Tree -> QueryBlock -> 解析树胡
// 2. Gen OP Tree from resolved Parse Tree 将解析树转化成Operator Tree
// 3. Deduce Resultset Schema 推导结果模式，这里面有cbo优化，在多表join的时间自动的选择最有的join方式
// 4. Generate Parse Context for Optimizer & Physical compiler 生成上下文件context对象
// 5. Take care of view creation 处理试图操作
// 6. Generate table access stats if required 生成表的表访问信息
// 7. Perform Logical optimization 添加各种优化器并依次执行逻辑优化
// 8. Generate column access stats if required - wait until
column pruning takes place during optimization 可能的情况下，做列裁剪
// 9. Optimize Physical op tree &
Translate to target execution engine (MR,TEZ..) 优化Operator Tree生成物理执行计划并指定执行引擎
// 10. put accessed columns to readEntity 封装查询的列到readEntity
// 11. if desired check we're not going over partition scan limits 分区扫描的时候分区限制
大致流程图如下：
