在引擎盖下，此查询被转换为hive mapreduce原语，或者对hiveql的支持仅在语法级别上，spark sql将在引擎盖下使用
我在hivemetastore上使用sparksql。验证查询是否转换为map/reduce的方法是检查：a。打开配置单元控制台并运行一个带有一些过滤器的简单select查询。现在转到Yarn资源管理器。您将看到一些map/reduce作业由于查询执行而被解雇。b。使用hivecontext运行sparksql并执行相同的sql查询。sparksql将利用hive的元存储信息，而不触发map/reduce作业。转到yarn中的资源管理器并验证它。您将只发现sparkshell会话正在运行，并且没有在集群上触发的其他map/reduce作业。

设置 enableHiveSupport 但这并不意味着查询是在配置单元中计算的。
只是关于Hive目录。如果你使用 enableHiveSupport ，则可以：
向/从配置单元持久元存储写入和读取
使用hive的UDF
使用Hive的serde
所有这些都直接与目录连接，而不是执行本身
历史上，hiveql解析也是使用hive完成的，但现在spark不调用hive就完成了
我应该声明使用spark.sql（[hiveql query]）执行的查询的时间性能是指spark或hive。
如上所述，这是Spark的性能

spark知道两个目录，hive和in memory。如果你设置 enableHiveSupport() ，那么 spark.sql.catalogImplementation 设置为 hive ，否则为 in-memory . 所以如果你启用Hive支持， spark.catalog.listTables().show() 将显示配置单元元存储区中的所有表。
但这并不意味着hive用于查询*，它只是意味着spark与hive元存储进行通信，执行引擎总是spark。

• 实际上有一些函数 percentile 和 percentile_approx 它们是本地的Hive。

有三个执行引擎，mapreduce，tez和spark。
使用配置单元执行查询时，可以选择使用上述引擎之一。通常，管理员必须将其中一个引擎设置为默认引擎。
即

set hive.execution.engine=tez;

当您使用spark执行查询时，它将使用spark引擎来执行查询。
然而，如果你在做性能分析，时间不是你唯一应该测量的，内存和cpu也应该测量。