Hive提供的执行计划目前可以查看的信息有以下几种：
● 查看执行计划的基本信息，即explain；
● 查看执行计划的扩展信息，即explain extended；
● 查看SQL数据输入依赖的信息，即explain dependency；
● 查看SQL操作相关权限的信息，即explain authorization；
● 查看SQL的向量化描述信息，即explain vectorization。
MR引擎下，用explain打开的执行计划包含以下两部分：
● 作业的依赖关系图，即STAGE DEPENDENCIES；
● 每个作业的详细信息，即STAGE PLANS。
举个栗子：
执行结果如下：
解读：
- stage dependencies描绘了作业之间的依赖关系，
即stage0依赖stage-1的执行结果。stage-0表示客户端读取stage-1的执行结果
stage-1表示如下SQL，即select *from student_tb_orc where s_age<30 and s_name like'%红%’的执行过程。
Stage-1分为Map和Reduce两个阶段，对应的执行计划关键词解读如下：
● MapReduce：表示当前任务执行所用的计算引擎是MapReduce。
● Map Opertaor Tree：表示当前描述的Map阶段执行的操作信息。
● Reduce Opertaor Tree：表示当前秒时的是Reduce阶段的操作信息。
Map操作树（Map Operator Tree）信息解读如下：
● TableScan：表示对关键字alias声明的结果集，这里指代student_tb_orc，进行表扫描操作。
● Statistics：表示对当前阶段的统计信息。例如，当前处理的数据行和数据量，这两个都是预估值。
● Filter Operator：表示在之前操作（TableScan）的结果集上进行数据的过滤。
● predicate：表示filter Operator进行过滤时，所用的谓词，即s_age<30and s_name like '%红%'。
● Select Operator：表示在之前的结果集上对列进行投影，即筛选列。
● expressions：表示需要投影的列，即筛选的列。
● outputColNames：表示输出的列名。
● Group By Operator：表示在之前的结果集上分组聚合。
● aggreations：表示分组聚合使用的算法，这里是count（1）。
● keys：表示分组的列，在该例子表示的是s_age。
● Reduce output Operator：表示当前描述的是对之前结果聚会后的输出信息，这里表示Map端聚合后的输出信息。
● key expressions/value expressions:MapReduce计算引擎，在Map阶段和Reduce阶段输出的都是键-值对的形式，这里key expression和valueexpressions分别描述的就是Map阶段输出的键（key）和值（value）所用的数据列。这里的例子key expressions指代的就是s_age列，value exporess指代的就是count（1）列。
● sort order：表示输出是否进行排序，+表示正序，-表示倒序。
● Map-reduce partition columns：表示Map 阶段输出到Reduce 阶段的分区列，在Hive-SQL中，可以用distribute by指代分区的列。
Reduce阶段所涉及的关键词与Map阶段的关键词是一样的，字段表示含义也相同
Reduce中出现但是在Map阶段没有出现的关键词。
● compressed：在File Output Operator中这个关键词表示文件输出的结果是否进行压缩，false表示不进行输出压缩。
● table：表示当前操作表的信息。
● input format/out putformat：分别表示文件输入和输出的文件类型。
● serde：表示读取表数据的序列化和反序列化的方式。
explain dependency
用于描述一段SQL需要的数据来源，输出是一个json格式的数据，里面包含以下两个部分的内容。
● input_partitions：描述一段SQL依赖的数据来源表分区，里面存储的是分区名的列表，格式如下：
如果整段SQL包含的所有表都是非分区表，则显示为空。
● input_tables：描述一段SQL依赖的数据来源表，里面存储的是Hive表名的列表，格式如下：
举个栗子
使用explain denpendency查看SQL查询分区表。
结果如下：
explain dependency的使用场景有两个。
场景一，快速排除。快速排除因为读取不到相应分区的数据而导致任务数据输出异常。例如，在一个以天分区的任务中，上游任务因为生产过程不可控因素出现异常或者空跑，导致下游任务引发异常。通过这种方式，可以快速查看SQL读取的分区是否出现异常。
场景二，帮助理清表的输入，帮助理解程序的运行，特别是有助于理解有多重自查询，多表连接的依赖输入。
explain authorization
获取SQL访问的数据来源（INPUTS）和数据输出（OUTPUTS），以及当前Hive的访问用户（CURRENT_USER）和操作（OPERATION）
结果如下
AUTHORIZATION_FAILURES信息，提示对当前的输入没有查询权限，但如果运行上面的SQL的话也能够正常运行。为什么会出现这种情况？Hive在默认不配置权限管理的情况下不进行权限验证，所有的用户在Hive里面都是超级管理员，即使不对特定的用户进行赋权，也能够正常查询
explain vectorization
该命令是在Hive 2.3版本之后新增的功能，可用于查看Map阶段或者Reduce阶段在运行过程中是否使用向量化模式。那什么是向量化模式？
向量化模式是Hive 的一个特性，在没有引入向量化的执行模式之前，一般的查询操作一次只处理一行，在向量化查询执行时通过一次处理1024行的块来简化系统底层操作，提高了数据的处理性能。向量化模式的开启方式如下：
set hive.vectorized.execution.enabled=true;
向量模式支持的数据类型有：
● tinyint；● smallint；● int；● bigint；● boolean；● float；● double；● decimal；● date；● timestamp；● string。
如果使用其他数据类型，如array和map等，即使是开启了向量化模式查询，查询操作也将使用标准的方式逐行执行。
1.explain vectorization only命令，表示整个执行计划将只显示向量化模式相关的描述信息，其他非向量化模式的描述都将被隐藏
demo:
结果如下：
● Execution Mode：表示当前的执行模式，vectorized表示当前模式是向量化的模式。
● Map Vectorization：表示接下来的缩进信息描述的是关于Map阶段向量化执行模式信息。
● enabled：表示该关键词所描述阶段是否已经开启向量化模式，true表示开启，false表示关闭。
● enabledConditionsMet：表示该关键词所描述阶段，开启向量化模式已经满足的条件。
● enableConditionsNotMet：表示该关键词所描述阶段，开启向量化模式未满足的条件。
● groupByVectorOutput：表示该关键词所描述的阶段，分组聚合操作是否开启向量化模式，true表示开启。
● inputFileFormats：表示该关键词所描述的阶段，输入的文件格式。
● allNative：是否都是本地操作，false表示不是。