hive 优化

要点： 优化时，把 hive sql 当做 map reduce 程序来读，会有意想不到的惊喜。
理解 hadoop 的核心能力，是hive 优化的根本。
长期观察 hadoop处理数据的过程，有几个显著的特征:
1.不怕数据多，就怕数据倾斜。
2．对jobs 数比较多的作业运行效率相对比较低，比如即使有几百行的表，如果多次关联
多次汇总，产生十几个 jobs，没半小时是跑不完的。map reduce 作业初始化的时间是比
较长的。
3.对sum，count 来说，不存在数据倾斜问题。
4.对count(distinct ),效率较低，数据量一多，准出问题，如果是多count(distinct )效率更
低。
优化可以从几个方面着手：
1. 好的模型设计事半功倍。
2. 解决数据倾斜问题。
3. 减少job 数。
4. 设置合理的map reduce 的task 数，能有效提升性能。(比如，10w+级别的计算，用
160 个reduce，那是相当的浪费，1 个足够)。
5. 自己动手写sql 解决数据倾斜问题是个不错的选择。set hive.groupby.skewindata=true;
这是通用的算法优化，但算法优化总是漠视业务，习惯性提供通用的解决方法。Etl 开发
人员更了解业务，更了解数据，所以通过业务逻辑解决倾斜的方法往往更精确，更有效。
6. 对count(distinct)采取漠视的方法，尤其数据大的时候很容易产生倾斜问题，不抱侥幸
心理。自己动手，丰衣足食。
7. 对小文件进行合并，是行至有效的提高调度效率的方法，假如我们的作业设置合理的文
件数，对云梯的整体调度效率也会产生积极的影响。
8. 优化时把握整体，单个作业最优不如整体最优。
优化案例：
问题 1：如日志中，常会有信息丢失的问题，比如全网日志中的user_id，如果取其中的
user_id 和bmw_users 关联，就会碰到数据倾斜的问题。
方法：解决数据倾斜问题
解决方法 1. User_id 为空的不参与关联，例如：
Select *
From log a
Join bmw_users b
On a.user_id is not null
And a.user_id = b.user_id
Union all
Select *
from log a
where a.user_id is null.
解决方法 2：
Select *
from log a
left outer join bmw_users b
on case when a.user_id is null then concat(‘dp_hive’,rand() ) else a.user_id end =
b.user_id;
总结： 2比 1效率更好，不但 io少了，而且作业数也少了。 1方法 log读取两次， jobs是
2。2 方法job 数是1 。 这个优化适合无效id(比如-99,’’,null等)产生的倾斜问题。 把空值
的 key 变成一个字符串加上随机数，就能把倾斜的数据分到不同的reduce 上,解决数据倾
斜问题。因为空值不参与关联，即使分到不同的 reduce 上，也不影响最终的结果。附上
hadoop 通用关联的实现方法（关联通过二次排序实现的，关联的列为parition key,关联的
列 c1 和表的tag 组成排序的group key,根据parition key 分配reduce。同一reduce 内根
据 group key 排序）。
问题 2：不同数据类型id 的关联会产生数据倾斜问题。
一张表 s8 的日志，每个商品一条记录，要和商品表关联。但关联却碰到倾斜的问题。s8
的日志中有字符串商品 id,也有数字的商品id,类型是string 的，但商品中的数字id 是bigint
的。猜测问题的原因是把 s8的商品 id转成数字 id做 hash来分配 reduce，所以字符串id
的 s8日志，都到一个 reduce上了，解决的方法验证了这个猜测。
方法：把数字类型转换成字符串类型
Select * from s8_log a
Left outer join r_auction_auctions b
On a.auction_id = cast(b.auction_id as string);
问题 3：利用hive 对UNION ALL 的优化的特性
hive 对union all 优化只局限于非嵌套查询。
比如以下的例子：
select * from
(select * from t1
Group by c1,c2,c3
Union all
Select * from t2
Group by c1,c2,c3) t3
Group by c1,c2,c3;
从业务逻辑上说，子查询内的 group by 怎么都看显得多余（功能上的多余,除非有
count(distinct)），如果不是因为hive bug 或者性能上的考量(曾经出现如果不子查询
group by ，数据得不到正确的结果的hive bug)。所以这个hive 按经验转换成
select * from
(select * from t1
Union all
Select * from t2
) t3
Group by c1,c2,c3;
经过测试，并未出现 union all的 hive bug,数据是一致的。mr 的作业数有3 减少到1。
t1 相当于一个目录，t2 相当于一个目录，那么对map reduce 程序来说，t1,t2 可以做为
map reduce 作业的mutli inputs。那么，这可以通过一个map reduce 来解决这个问题。
Hadoop 的计算框架，不怕数据多，就怕作业数多。
但如果换成是其他计算平台如 oracle，那就不一定了，因为把大的输入拆成两个输入，分
别排序汇总后 merge(假如两个子排序是并行的话)，是有可能性能更优的（比如希尔排序
比冒泡排序的性能更优）。
问题 4：比如推广效果表要和商品表关联，效果表中的auction id 列既有商品id,也有数
字 id,和商品表关联得到商品的信息。那么以下的hive sql 性能会比较好
Select * from effect a
Join (select auction_id as auction_id from auctions
Union all
Select auction_string_id as auction_id from auctions
) b
On a.auction_id = b.auction_id。
比分别过滤数字 id,字符串id 然后分别和商品表关联性能要好。
这样写的好处,1 个MR 作业,商品表只读取一次，推广效果表只读取一次。把这个sql 换成
MR 代码的话，map 的时候，把a 表的记录打上标签a,商品表记录每读取一条，打上标签
b，变成两个<key ,value>对，<b,数字id>，<b,字符串id>。所以商品表的hdfs 读只会是
一次。
问题 5：先join 生成临时表，在union all 还是写嵌套查询，这是个问题。比如以下例
子：
Select *
From (select *
From t1
Uion all
select *
From t4
Union all
Select *
From t2
Join t3
On t2.id = t3.id
) x
Group by c1,c2;
这个会有 4个 jobs。假如先join 生成临时表的话t5,然后union all，会变成2 个jobs。
Insert overwrite table t5
Select *
From t2
Join t3
On t2.id = t3.id
;
Select * from (t1 union all t4 union all t5) ;
hive 在union all 优化上可以做得更智能（把子查询当做临时表），这样可以减少开发人
员的负担。出现这个问题的原因应该是 union all目前的优化只局限于非嵌套查询。如果
写 MR 程序这一点也不是问题，就是multi inputs。
问题 6：使用map join 解决数据倾斜的常景下小表关联大表的问题，但如果小表很大，
怎么解决。这个使用的频率非常高，但如果小表很大，大到 map join会出现 bug或异常，
这时就需要特别的处理。以下例子：
Select * from log a
Left outer join members b
On a.memberid = b.memberid.
Members 有 600w+的记录，把members 分发到所有的map 上也是个不小的开销，而且
map join 不支持这么大的小表。如果用普通的join，又会碰到数据倾斜的问题。
解决方法：
Select /*+mapjoin(x)*/* from log a
Left outer join (select /*+mapjoin(c)*/d.*
From (select distinct memberid from log ) c
Join members d
On c.memberid = d.memberid
)x
On a.memberid = b.memberid。
先根据 log 取所有的memberid，然后mapjoin 关联members 取今天有日志的members
的信息，然后在和 log做 mapjoin。
假如， log 里memberid 有上百万个，这就又回到原来map join 问题。所幸，每日的会员
uv 不会太多，有交易的会员不会太多，有点击的会员不会太多，有佣金的会员不会太多等
等。所以这个方法能解决很多场景下的数据倾斜问题。
问题 7：HIVE 下通用的数据倾斜解决方法,double被关联的相对较小的表，这个方法在
mr 的程序里常用。 还是刚才的那个问题：
Select * from log a
Left outer join (select /*+mapjoin(e)*/
memberid, number
From members d
Join num e
) b
On a.memberid= b.memberid
And mod(a.pvtime,30)+1=b.number。
Num 表只有一列number，有30 行，是1,30 的自然数序列。就是把member 表膨胀成
30 份，然后把log 数据根据memberid 和pvtime 分到不同的reduce 里去，这样可以保证
每个 reduce 分配到的数据可以相对均匀。就目前测试来看，使用mapjoin 的方案性能稍
好。后面的方案适合在 map join 无法解决问题的情况下。
如下的优化方案可以做成通用的 hive 优化方法
1. 采样log 表，哪些memberid 比较倾斜，得到一个结果表tmp1。由于对计算框架来
说，所有的数据过来，他都是不知道数据分布情况的，所以采样是并不可少的。 Stage1
2. 数据的分布符合社会学统计规则，贫富不均。倾斜的key 不会太多，就像一个社会的富
人不多，奇特的人不多一样。所以 tmp1 记录数会很少。把 tmp1和 members做 map
join 生成 tmp2,把tmp2 读到distribute file cache。这是一个map 过程。Stage2
3. map 读入 members和 log，假如记录来自log,则检查memberid 是否在tmp2 里，
如果是，输出到本地文件 a,否则生成<memberid,value>的key,value 对，假如记录来自
member,生成<memberid,value>的key,value 对，进入reduce 阶段。Stage3.
4. 最终把 a文件，把 Stage3 reduce阶段输出的文件合并起写到 hdfs。
这个方法在 hadoop 里应该是能实现的。Stage2 是一个map 过程，可以和stage3 的
map 过程可以合并成一个map 过程。
这个方案目标就是：倾斜的数据用 mapjoin,不倾斜的数据用普通的join，最终合并得到完
整的结果。用 hive sql 写的话， sql会变得很多段，而且 log表会有多次读。倾斜的 key
始终是很少的，这个在绝大部分的业务背景下适用。那是否可以作为hive 针对数据倾斜
join 时候的通用算法呢？
问题 8：多粒度(平级的)uv的计算优化，比如要计算店铺的 uv。还有要计算页面的
uv,pvip.
方案 1:
Select shopid,count(distinct uid)
From log group by shopid;
Select pageid, count(distinct uid),
From log group by pageid;
由于存在数据倾斜问题，这个结果的运行时间是非常长的。
方案二：
From log
Insert overwrite table t1 (type=’1’)
Select shopid
Group by shopid ,acookie
Insert overwrite table t1 (type=’2’)
Group by pageid,acookie;
店铺 uv:
Select shopid,sum(1)
From t1
Where type =’1’
Group by shopid ;
页面 uv:
Select pageid,sum(1)
From t1
Where type =’1’
Group by pageid ;
这里使用了 multi insert的方法，有效减少了 hdfs读，但 multi insert会增加 hdfs写，
多一次额外的 map 阶段的hdfs 写。使用这个方法，可以顺利的产出结果。
方案三：
Insert into t1
Select type,type_name,’’ as uid
From (
Select ‘page’ as type,
Pageid as type_name,
Uid
From log
Union all
Select ‘shop’ as type,
Shopid as type_name,
Uid
From log ) y
Group by type,type_name,uid;
Insert into t2
Select type,type_name,sum(1)
From t1
Group by type,type_name;
From t2
Insert into t3
Select type,type_name,uv
Where type=’page’
Select type,type_name,uv
Where type=’shop’ ;
最终得到两个结果表 t3,页面uv 表，t4,店铺结果表。从io 上来说，log 一次读。但比方案
2 少次hdfs 写（multi insert有时会增加额外的 map阶段 hdfs写）。作业数减少 1个到
3，有reduce 的作业数由4 减少到2，第三步是一个小表的map 过程，分下表，计算资源
消耗少。但方案 2 每个都是大规模的去重汇总计算。
这个优化的主要思路是， map reduce作业初始化话的时间是比较长，既然起来了，让他
多干点活，顺便把页面按 uid 去重的活也干了，省下log 的一次读和作业的初始化时间，
省下网络 shuffle 的io，但增加了本地磁盘读写。效率提升较多。
这个方案适合平级的不需要逐级向上汇总的多粒度 uv计算，粒度越多，节省资源越多，
比较通用。
问题 9：多粒度，逐层向上汇总的uv 结算。 比如4 个维度，a,b,c,d，分别计算
a,b,c,d,uv；
a,b,c,uv;a,b,uv;a;uv,total uv4 个结果表。这可以用问题8 的方案二，这里由于uv 场景的
特殊性，多粒度，逐层向上汇总，就可以使用一次排序，所有 uv 计算受益的计算方法。
案例： 目前 mm_log 日志一天有25 亿+的pv 数，要从mm 日志中计算uv，与ipuv,一共
计算
三个粒度的结果表
（memberid,siteid,adzoneid,province,uv,ipuv）R_TABLE_4
（memberid,siteid,adzoneid,uv,ipuv）R_TABLE_3
(memberid,siteid,uv,ipuv) R_TABLE_2
第一步：按 memberid,siteid,adzoneid,province,使用group 去重,产生临时表，对
cookie,ip
打上标签放一起，一起去重，临时表叫 T_4;
Select memberid,siteid,adzoneid,province,type,user
From(
Select memberid,siteid,adzoneid,province,‘a’ type ,cookie as user from mm_log where
ds=20101205
Union all
Select memberid,siteid,adzoneid,province,‘i’ type ,ip as user from mm_log where
ds=20101205
) x group by memberid,siteid,adzoneid,province,type,user ;
第二步：排名,产生表T_4_NUM.Hadoop 最强大和核心能力就是parition 和sort.按type，
acookie 分组，
Type，acookie，memberid,siteid,adzoneid,province 排名。
Select * ,
row_number(type,user,memberid,siteid,adzoneid ) as adzone_num ,
row_number(type,user,memberid,siteid ) as site_num,
row_number(type,user,memberid ) as member_num,
row_number(type,user ) as total_num
from (select * from T_4 distribute by type,user sort by type,user,
memberid,siteid,adzoneid ) x;
这样就可以得到不同层次粒度上 user 的排名，相同的user id 在不同的粒度层次上，排名
等于 1 的记录只有1 条。取排名等于1 的做sum，效果相当于Group by user 去重后做
sum 操作。
第三步：不同粒度 uv 统计，先从最细粒度的开始统计，产生结果表R_TABLE_4,这时，
结果集只有 10w 的级别。
如统计 memberid,siteid,adzoneid,provinceid 粒度的uv 使用的方法就是
Select memberid,siteid,adzoneid, provinceid,
sum(case when type =’a’ then cast(1) as bigint end ) as province_uv ,
sum(case when type =’i’ then cast(1) as bigint end ) as province_ip ,
sum(case when adzone_num =1 and type =’a’ then cast(1) as bigint end ) as
adzone_uv ,
sum(case when adzone_num =1 and type =’i’ then cast(1) as bigint end ) as adzone_ip ,
sum(case when site_num =1 and type =’a’ then cast(1) as bigint end ) as site_uv ,
sum(case when site_num =1 and type =’i’ then cast(1) as bigint end ) as site_ip ,
sum(case when member_num =1 and type =’a’ then cast(1) as bigint end ) as
member_uv ,
sum(case when member_num =1 and type =’i’ then cast(1) as bigint end ) as
member_ip ,
sum(case when total_num =1 and type =’a’ then cast(1) as bigint end ) as total_uv ,
sum(case when total_num =1 and type =’i’ then cast(1) as bigint end ) as total_ip ,
from T_4_NUM
group by memberid,siteid,adzoneid, provinceid ;
广告位粒度的 uv的话，从 R_TABLE_4统计，这是源表做 10w级别的统计
Select memberid,siteid,adzoneid,sum(adzone_uv),sum(adzone_ip)
From R_TABLE_4
Group by memberid,siteid,adzoneid；
memberid,siteid 的uv 计算 ，
memberid 的uv 计算,
total uv 的计算也都从 R_TABLE_4 汇总。
一． join优化
Join 查找操作的基本原则： 应该将条目少的表/子查询放在Join 操作符的左边。原因
是在 Join 操作的Reduce 阶段，位于Join 操作符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错误的几率。
Join 查找操作中如果存在多个 join，且所有参与join 的表中其参与join 的key 都相
同，则会将所有的 join 合并到一个mapred 程序中。
案例：
SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JO
IN c ON (c.key = b.key1) 在一个 mapre 程序中执行join
SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JO
IN c ON (c.key = b.key2) 在两个 mapred 程序中执行join
Map join 的关键在于 join 操作中的某个表的数据量很小，案例：
SELECT /*+ MAPJOIN(b) */ a.key, a.value
FROM a join b on a.key = b.key
Mapjoin 的限制是无法执行 a FULL/RIGHT OUTER JOIN b，和map join 相关的hive
参数： hive.join.emit.interval hive.mapjoin.size.key hive.mapjoin.cache.numrows
由于 join操作是在 where操作之前执行，所以当你在执行 join 时，where 条件并不能
起到减少 join 数据的作用；案例：
SELECT a.val, b.val FROM a LEFT OUTER JOIN b ON (a.key=b.key)
WHERE a.ds='2009-07-07' AND b.ds='2009-07-07'
最好修改为：
SELECT a.val, b.val FROM a LEFT OUTER JOIN b
ON (a.key=b.key AND b.ds='2009-07-07' AND a.ds='2009-07-07')
在 join操作的每一个 mapred程序中， hive都会把出现在 join语句中相对靠后的表的
数据 stream 化，相对靠前的变的数据缓存在内存中。当然，也可以手动指定stream 化的
表：
SELECT /*+ STREAMTABLE(a) */ a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOI
N c ON (c.key = b.key1)
二、 group by优化
Map 端聚合，首先在 map端进行初步聚合，最后在 reduce端得出最终结果，相关参
数：
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
数据倾斜聚合优化，设置参数 hive.groupby.skewindata = true，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 的输出结果集合会
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。
三、合并小文件
文件数目过多，会给 HDFS 带来压力，并且会影响处理效率，可以通过合
并 Map 和Reduce 的结果文件来消除这样的影响：
hive.merge.mapfiles = true是否和并 Map 输出文件，默认为True
hive.merge.mapredfiles = false是否合并 Reduce 输出文件，默认为 False
hive.merge.size.per.task = 256*1000*1000合并文件的大小
四、 Hive实现(not) in
通过 left outer join进行查询,（假设B 表中包含另外的一个字段key1
select a.key from a left outer join b on a.key=b.key where b.key
1 is null
通过 left semi join 实现in
SELECT a.key, a.val FROM a LEFT SEMI JOIN b on (a.key = b.key)
Left semi join 的限制： join 条件中右边的表只能出现在join 条件中。
五、排序优化
Order by 实现全局排序，一个 reduce 实现，效率低
Sort by 实现部分有序，单个 reduce 输出的结果是有序的，效率高，通常和
DISTRIBUTE BY 关键字一起使用（DISTRIBUTE BY关键字 可以指定 map到 reduce
端的分发 key）
CLUSTER BY col1 等价于 DISTRIBUTE BY col1 SORT BY col1
六、使用分区
Hive 中的每个分区都对应 hdfs 上的一个目录，分区列也不是表中的一个实际的字段，
而是一个或者多个伪列，在表的数据文件中实际上并不保存分区列的信息与数据。
Partition 关键字中排在前面的为主分区（只有一个），后面的为副分区
静态分区：静态分区在加载数据和使用时都需要在 sql 语句中指定
案例： (stat_date='20120625',province='hunan')
动态分区：使用动态分区需要设置 hive.exec.dynamic.partition 参数值为 true，默认值为
false，在默认情况下，hive 会假设主分区时静态分区，副分区使用动态分区；如果想都使
用动态分区，需要设置 set hive.exec.dynamic.partition.mode=nostrick，默认为
strick
案例： (stat_date='20120625',province)
七、 Distinct使用
Hive 支持在 group by时对同一列进行多次 distinct操作，却不支持在同一个语句中对
多个列进行 distinct 操作。
八、 Hql使用自定义的 mapred脚本
注意事项：在使用自定义的 mapred 脚本时，关键字 MAP REDUCE 是语句
SELECT TRANSFORM ( ... )的语法转换，并不意味着使用 MAP 关键字时会强制产生一
个新的 map 过程，使用 REDUCE 关键字时会产生一个 red 过程。
自定义的 mapred 脚本可以是 hql 语句完成更为复杂的功能，但是性能比 hql 语句差了
一些，应该尽量避免使用，如有可能，使用 UDTF 函数来替换自定义的 mapred 脚本
九、 UDTF
UDTF 将单一输入行转化为多个输出行，并且在使用UDTF 时，select 语句中不能包含
其他的列， UDTF 不支持嵌套，也不支持group by 、sort by 等语句。如果想避免上述限
制，需要使用 lateral view 语法，案例：
select a.timestamp, get_json_object(a.appevents, '$.eventid'), get_json_object(a.appenvets, '$.even
tname') from log a;
select a.timestamp, b.*
from log a lateral view json_tuple(a.appevent, 'eventid', 'eventname') b as f1, f2;
其中， get_json_object为 UDF函数， json_tuple为 UDTF函数。
UDTF 函数在某些应用场景下可以大大提高 hql 语句的性能，如需要多次解析json 或者
xml 数据的应用场景