Hive优化
来源:互联网 发布:工业大数据与智能制造 编辑:程序博客网 时间:2024/06/18 07:28
优化手段
合理控制Map和Reduce数
合并小文件
避免数据倾斜,解决数据倾斜
减少job数(合并Job、大Job分拆……)
一、 Map数和Reduce数
Hive官方:
https://cwiki.apache.org/confluence/display/Hive/Home
1.1、Map数
Map数过大
Map阶段输出文件太小,产生大量小文件
初始化和创建Map的开销很大
Map数太小
文件处理或查询并发度小,Job执行时间过长
大量作业时,容易堵塞集群
通常情况下,作业会通过input文件产生一个或者多个map数
主要的决定因素有: input的文件数,input的文件大小。
•举例
a) 假设input目录下有1个文件a,大小为780M,那么hadoop会将该文件a分隔成7个块(6个128m的块和1个12m的块,Block是128M),从而产生7个map数
b) 假设input目录下有3个文件a,b,c,大小分别为10m,20m,130m,那么hadoop会分隔成4个块(10m,20m,128m,2m),从而产生4个map数
两种方式控制Map数:即减少map数和增加map数
减少map数可以通过合并小文件来实现,这点是对文件源
增加map数的可以通过控制上一个job的reduer数来控制(一个sql中join多个表会分解为多个mapreduce)
小文件进行合并:
Map阶段Hive(0.7版本之后)自动对小文件合并
对应参数和默认值:
set hive.merge.mapfiles = true #在Map-only的任务结束时合并小文件
set hive.merge.mapredfiles = true #默认是false,true时在Map-Reduce的任务结束时合并小文件
set hive.merge.size.per.task= 256*1000*1000 #合并文件的大小
set mapred.max.split.size=256000000; #每个Map最大分割大小
setmapred.min.split.size.per.node=100000000; #一个节点上split的最少值
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; #执行Map前进行小文件合并
set的作用域是Session级
在开启了org.apache.hadoop.hive.ql.io.CombineHiveInputFormat后,一个data node节点上多个小文件会进行合并,合并文件数由mapred.max.split.size限制的大小决定。
mapred.min.split.size.per.node决定了多个datanode上的文件是否需要合并~
1.1.2 、参数:mapred.map.tasks
Hive中setmapred.map.tasks=100; 当文件小于
案例:
环境如下:
hive.merge.mapredfiles=true (默认是false,可以在hive-site.xml里配置)
hive.merge.mapfiles=true
hive.merge.size.per.task=256000000
mapred.map.tasks=2
因为合并小文件默认为true,而dfs.block.size与hive.merge.size.per.task的搭配使得合并后的绝大部分文件都在256MB左右。
Case 1:
现在我们假设有3个300MB大小的文件,
整个JOB会有6个map,其中3个map分别处理256MB的数据,还有3个map分别处理44MB的数据。
木桶效应就来了,整个JOB的map阶段的执行时间不是看最短的1个map的执行时间,而是看最长的1个map的执行时间。所以,虽然有3个map分别只处理44MB的数据,可以很快跑完,但它们还是要等待另外3个处理256MB的map。显然,处理256MB的3个map拖了整个JOB的后腿。
Case 2:
如果我们把mapred.map.tasks设置成6,再来看一下有什么变化:
goalsize = min(900MB/6,256MB) = 150MB
整个JOB同样会分配6个map来处理,每个map处理150MB的数据,非常均匀,谁都不会拖后腿,最合理地分配了资源,执行时间大约为CASE 1的59%(150/256)
1.2、reduce数
Reduce数过大
生成了很多个小文件(最终输出文件有reduce决定,一个reduce一个文件),那么如果这些小文件作为下一个Job输入,则也会出现小文件过多需要进行合并的问题。
启动和初始化reduce也会消耗时间和资源;有多少个reduce就会有多少个输出文件
Reduce数过低
执行耗时
可能出现数据倾斜
Reducer个数的决定
默认下,Hive分配reducer个数基于以下:
参数1:hive.exec.reducers.bytes.per.reducer(默认为1G)
参数2 :hive.exec.reducers.max(默认为999)
•计算reducer数的公式
•N=min(参数2,总输入数据量/参数1)
即默认一个reduce处理1G数据量
•什么情况下只有一个reduce
很多时候你会发现任务中不管数据量多大,不管你有没有设置调整reduce个数的参数,任务中一直都只有一个reduce任务;
1、 除了数据量小于hive.exec.reducers.bytes.per.reducer参数值的情况外
2、没有group by的汇总
3、用了Order by。
1.2.1 、设置Reduce数
参数:mapred.reduce.tasks
默认:1
set mapred.reduce.tasks=10.. ;
作用域Session级
当某个Job的结果别后边Job多次引用时,设大该参数,以便增大访问的Map数。
以第一讲、第二讲的代码为例。
Reduce数决定中间或落地文件数,文件大小和Block大小无关。
二、数据倾斜
1、什么是数据倾斜?Hadoop框架的特性决定最怕数据倾斜
JobTracker TaskTracker…..
老师 学生
•由于数据分布不均匀,造成数据大量的集中到一点,造成数据热点。
症状:map阶段快,reduce阶段非常慢;
某些map很快,某些map很慢;
某些reduce很快,某些reduce奇慢
如下情况:
A、数据在节点上分布不均匀
B、join时on关键词中个别值量很大(如null值)
C、count(distinct ),在数据量大的情况下,容易数据倾斜,因为count(distinct)是按group by 字段分组,按distinct字段排序。
其中A无法避免。B见后边的Join章节。C语法上有时无法避免
三、 Join、MapJoin、Group by
Join
按照join的key进行分发,而在join左边的表的数据会首先读入内存,如果左边表的key相对分散(或少,分散的意思是相同key的数据量小),读入内存的数据会比较小,join任务执行会比较快;而如果左边的表key比较集中,而这张表的数据量很大,那么数据倾斜就会比较严重。
Map阶段同一Key数据分发给一个reduce。
Join原则:
小表 Join大表,原因是在 Join 操作的Reduce阶段(不是Map阶段),位于 Join左边的表的内容会被加载进内存,将条目少的表放在左边,可以有效减少发生内存溢出的几率。
多个表关联时,最好分拆成小段,避免大sql(无法控制中间Job)
多表 Join on条件相同时合并为一个 Map-Reduce,做 OUTER JOIN 的时候也是一样,查看执行计划explain
比如查询,3个表关联:
select pt.page_id,count(t.url) PV
fromrpt_page_type pt
join
(select url_page_id,url from trackinfo whereds='2013-10-11') t
onpt.page_id=t.url_page_id
join
(select page_id from rpt_page_kpi_new whereds='2013-10-11') r
ont.url_page_id=r.page_id
group by pt.page_id;
比较2个表关联:
select pt.page_id,count(t.url) PV
fromrpt_page_type pt
join
(select url_page_id,url from trackinfo whereds='2013-10-11') t
onpt.page_id=t.url_page_id
group by pt.page_id;
利用这个特性,可以把相同join on条件的放在一个job处理。
如果 Join 的条件不相同,如:
INSERT OVERWRITE TABLE page_pv
select pt.page_id,count(t.url) PV
fromrpt_page_type pt
join
(select url_page_id,url,province_id fromtrackinfo where ds='2013-10-11') t
onpt.page_id=t.url_page_id
join
(select page_id,province_id fromrpt_page_kpi_new where ds='2013-10-11') r
ont.province_id=r.province_id
group by pt.page_id;
大表Join大表
访户未登录时,日志中userid是空,在用user_id进行hash分桶的时候,会将日志中userid为空的数据分到一起,导致了过大空key造成倾斜。
解决办法:
把空值的key变成一个字符串加上随机数,把倾斜的数据分到不同的 reduce上,由于null值关联不上,处理后并不影响最终结果
案例:
End_user 5000万,纬度表
Trackinfo 每日2亿,按日增量表
原写法:
select u.id,t.url,t.track_time
fromend_user u
join
(select end_user_id,url,track_time fromtrackinfo where ds='2013-12-01') t
onu.id=t.end_user_id limit 2;
调整为:
select u.id,t.url,t.track_time
fromend_user u
join
(select case whenend_user_id='null' or end_user_id is null
then cast(concat('00000000_',floor(rand()*1000000)) as bigint)
else end_user_id end end_user_id ,
url,track_time
from trackinfo where ds='2013-12-01') t
onu.id=t.end_user_id limit 2;
MapJoin
Join 操作在 Map 阶段完成,如果需要的数据在Map 的过程中可以访问到则不再需要Reduce。
小表关联一个超大表时,容易发生数据倾斜,可以用MapJoin把小表全部加载到内存在map端进行join,避免reducer处理。
如:
INSERT OVERWRITETABLE page_pv
select /*+ MAPJOIN(pt) */
pt.page_id,count(t.url) PV
from rpt_page_type pt
join
(select url_page_id,url from trackinfo whereds='2013-10-11') t
on pt.page_id=t.url_page_id;
如果是小表,能否自动选择Mapjoin?
set hive.auto.convert.join= true; 默认为false
该参数为true时,Hive自动对左边的表统计量,如果是小表就加入内存,即对小表使用Map join
大表小表的阀值:
hive> set hive.mapjoin.smalltable.filesize;
hive.mapjoin.smalltable.filesize=25000000
默认值是25mb
hive.mapjoin.cache.numrows
•说明: mapjoin 存在内存里的数据量
•默认值:25000
hive.mapjoin.cache.numrows
•说明: mapjoin 存在内存里的数据量
•默认值:25000
hive.mapjoin.followby.gby.localtask.max.memory.usage
•说明:map join做group by 操作时,可以使用多大的内存来存储数据,如果数据太大,则不会保存在内存里
•默认值:0.55
hive.mapjoin.localtask.max.memory.usage
•说明:本地任务可以使用内存的百分比
•默认值: 0.90
Group By
Map 端部分聚合:
并不是所有的聚合操作都需要在 Reduce 端完成,很多聚合操作都可以先在 Map 端进行部分聚合,最后在 Reduce 端得出最终结果。
基于 Hash
参数包括:
hive.map.aggr = true 是否在 Map 端进行聚合,默认为 True
hive.groupby.mapaggr.checkinterval = 100000 在 Map 端进行聚合操作的条目数目
默认情况下,Map阶段同一Key数据分发给一个reduce,当一个key数据过大时就倾斜了
有数据倾斜的时候进行负载均衡
hive.groupby.skewindata = false
当选项设定为 true,生成的查询计划会有两个 MR Job。第一个 MR Job 中,Map 的输出结果会随机分布到 Reduce 中,每个 Reduce 做部分聚合操作,并输出结果,这样处理的结果是相同的 Group By Key 有可能被分发到不同的 Reduce 中,从而达到负载均衡的目的;第二个 MR Job 再根据预处理的数据结果按照 Group By Key 分布到 Reduce 中(这个过程可以保证相同的 Group By Key 被分布到同一个 Reduce 中),最后完成最终的聚合操作。
Count(distinct) 容易倾斜,当该字段存在大量值为NULL或空的记录
解决思路
count distinct时,将值为空的数据在where里过滤调,在最后结果中加1
如:
count(distinct end_user_id) as user_num
修正为
cast(count(distinctend_user_id)+1 as bigint) as user_num
where end_user_id is not nulland query <> ''
笛卡尔积
尽量避免笛卡尔积,join的时候不加on条件,或者无效的on条件,Hive只能使用1个reducer来完成笛卡尔积
On中支持udf函数
三、减少job数
源表相同时,如下可以合并Job
union all
Multi-Insert(Multi-GroupBy一定会和Multi-Insert一起使用,同一源表,可按照不同where、不同group by )
union all
对同一表的union all 只查一次源表,hive本身对这种union all做过优化。
但子查询不能group by
select url,session_id from
(select url,session_id
fromtrackinfo where ds='2013-11-01'
union all
select url,session_id
fromtrackinfo where ds='2013-11-02'
) t ;
Multi-Insert
上方的sql等同于:
From trackinfo
insertoverwrite table tmp_test partition(step=1)
selecturl,session_id where ds='2013-11-01'
insertoverwrite table tmp_test partition(step=2)
selecturl,session_id where ds='2013-11-02' ;
- 【hive】hive优化
- hive(二)--hive优化
- Hive 12、Hive优化
- Hive优化
- hive优化
- hive优化
- Hive 优化
- Hive优化
- Hive优化
- Hive优化
- hive优化
- hive优化
- hive 优化
- Hive优化
- hive 优化
- hive 优化
- Hive优化
- hive 优化
- freemarker表达式设置默认值
- Linux中Nginx的安装
- 单片机原理(2):程序设计
- [牛角尖]minSdkVersion应该设置为15还是14?
- post与get的区别
- Hive优化
- loadrunner遇到的问题
- java并发编程学习(八)锁的内存语义
- 针对linux tomcat服务器 配置https协议
- 1021. 个位数统计 (15) PAT乙级真题
- oracle 捕获select into异常
- C#学习笔记之——数组
- 传统微分的糊涂定义
- 深入理解PHP内存管理之谁动了我的内存