Hive优化
- Hive优化目标
- 在有限的资源下，执行效率更高
- 常见问题
- 数据倾斜
- map数设置
- reduce数设置
- 其他
- Hive执行
- HQL --> Job --> Map/Reduce
- 执行计划
- explain [extended] hql
- 样例
- select col,count(1) from test2 group by col;
- explain select col,count(1) from test2 group by col;
- Hive表优化
- 分区
- 静态分区
- 动态分区
- set hive.exec.dynamic.partition=true;
- set hive.exec.dynamic.partition.mode=nonstrict;
- 分桶
- set hive.enforce.bucketing=true;
- set hive.enforce.sorting=true;
- 数据
- 相同数据尽量聚集在一起
- 分区
- hive job优化
- 并行化执行
- 每个查询被hive转化成多个阶段，有些阶段关联性不大，则可以并行化执行，减少执行时间
- set hive.exec.parallel= true;
- set hive.exec.parallel.thread.numbe=8;
- 本地化执行
- set hive.exec.mode.local.auto=true;
- 当一个job满足如下条件才能真正使用本地模式:
- job的输入数据大小必须小于参数:hive.exec.mode.local.auto.inputbytes.max(默认128MB)
- job的map数必须小于参数:hive.exec.mode.local.auto.tasks.max(默认4)
- job的reduce数必须为0或者1
- job合并输入小文件
- set hive.input.format = org.apache.hadoop.hive.ql.io.CombineHiveInputFormat
- 合并文件数由mapred.max.split.size限制的大小决定
- job合并输出小文件
- set hive.merge.smallfiles.avgsize=256000000;当输出文件平均小于该值，启动新job合并文件
- set hive.merge.size.per.task=64000000;合并之后的文件大小
- JVM重利用
- set mapred.job.reuse.jvm.num.tasks=20;
- JVM重利用可以使得JOB长时间保留slot,直到作业结束，这在对于有较多任务和较多小文件的任务是非常有意义的，减少执行时间。当然这个值不能设置过大，因为有些作业会有reduce任务，如果reduce任务没有完成，则map任务占用的slot不能释放，其他的作业可能就需要等待。
- 压缩数据
- 中间压缩就是处理hive查询的多个job之间的数据，对于中间压缩，最好选择一个节省cpu耗时的压缩方式
- set hive.exec.compress.intermediate=true;
- set hive.intermediate.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;
- set hive.intermediate.compression.type=BLOCK;
- hive查询最终的输出也可以压缩
- set hive.exec.compress.output=true;
- set mapred.output.compreession.codec=org.apache.hadoop.io.compress.GzipCodec;
- set mapred.output.compression.type=BLOCK;
- 中间压缩就是处理hive查询的多个job之间的数据，对于中间压缩，最好选择一个节省cpu耗时的压缩方式
- 并行化执行
- Hive Map优化
- set mapred.map.tasks =10; 无效
- (1)默认map个数
- default_num=total_size/block_size;
- (2)期望大小
- goal_num=mapred.map.tasks;
- (3)设置处理的文件大小
- split_size=max(mapred.min.split.size,block_size);
- split_num=total_size/split_size;
- (4)计算的map个数
- compute_map_num=min(split_num,max(default_num,goal_num))
- 经过以上的分析，在设置map个数的时候，可以简答的总结为以下几点：
- 如果想增加map个数，则设置mapred.map.tasks为一个较大的值
- 如果想减小map个数，则设置mapred.min.split.size为一个较大的值
- 情况1：输入文件size巨大，但不是小文件
- 增大mapred.min.split.size的值
- 情况2：输入文件数量巨大，且都是小文件，就是单个文件的size小于blockSize。这种情况通过增大mapred.min.split.size不可行，需要使用combineFileInputFormat将多个input path合并成一个InputSplit送给mapper处理，从而减少mapper的数量。
- map端聚合
- set hive.map.aggr=true;
- 推测执行
mapred.map.tasks.apeculative.execution
- Hive Shuffle优化
- Map端
- io.sort.mb
- io.sort.spill.percent
- min.num.spill.for.combine
- io.sort.factor
- io.sort.record.percent
- Reduce端
- mapred.reduce.parallel.copies
- mapred.reduce.copy.backoff
- io.sort.factor
- mapred.job.shuffle.input.buffer.percent
- mapred.job.shuffle.input.buffer.percent
- mapred.job.shuffle.input.buffer.percent
- Map端
- Hive Reduce优化
- 需要reduce操作的查询
- 聚合函数
- sum,count,distinct...
- 高级查询
- group by,join,distribute by,cluster by...
- order by比较特殊,只需要一个reduce
- 聚合函数
- 推测执行
- mapred.reduce.tasks.speculative.execution
- hive.mapred.reduce.tasks.speculative.execution
- Reduce优化
- set mapred.reduce.tasks=10;直接设置
- hive.exec.reducers.max 默认 ：999
- hive.exec.reducers.bytes.per.reducer 默认:1G
- 计算公式
- numRTasks = min[maxReducers,input.size/perReducer]
- maxReducers=hive.exec.reducers.max
- perReducer = hive.exec.reducers.bytes.per.reducer
- set mapred.reduce.tasks=10;直接设置
- 需要reduce操作的查询
- hive查询操作优化
- join优化
- hive.optimize.skewjoin=true;如果是Join过程出现倾斜，应该设置为true
- set hive.skewjoin.key=100000; 这个是join的键对应的记录条数超过这个值则会进行优化
- mapjoin
- set hive.auto.current.join=true;
- hive.mapjoin.smalltable.filesize默认值是25mb
- select /*+mapjoin(A)*/ f.a,f.b from A t join B f on (f.a=t.a)
- 简单总结下,mapjoin的使用场景:
- 关联操作中有一张表非常小
- 不等值的链接操作
- Bucket join
- 两个表以相同方式划分桶
- 两个表的桶个数是倍数关系
- crete table order(cid int,price float) clustered by(cid) into 32 buckets;
- crete table customer(id int,first string) clustered by(id) into 32 buckets;
- select price from order t join customer s on t.cid=s.id
- join 优化前
- select m.cid,u.id from order m join customer u on m.cid=u.id where m.dt='2013-12-12';
- join优化后
- select m.cid,u.id from (select cid from order where dt='2013-12-12')m join customer u on m.cid=u.id;
- group by 优化
- hive.groupby.skewindata=true;如果是group by 过程出现倾斜 应该设置为true
- set hive.groupby.mapaggr.checkinterval=100000;--这个是group的键对应的记录条数超过这个值则会进行优化
- count distinct 优化
- 优化前
- select count(distinct id) from tablename
- 优化后
- select count(1) from (select distinct id from tablename) tmp;
- select count(1) from (select id from tablename group by id) tmp;
- 优化前
- select a,sum(b),count(distinct c),count(distinct d) from test group by a
- 优化后
- select a,sum(b) as b,count(c) as c,count(d) as d from(select a,0 as b,c,null as d from test group by a,c union all select a,0 as b,null as c,d from test group by a,d union all select a,b,null as c,null as d from test)tmp1 group by a;
- 优化前
- join优化