hive的使用经验

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。

优化可以从以下几个方面着手：

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，习惯性提升通用的解决方法。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，是行之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。

迁移和优化过程中的案例：

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,如果采取其中的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为空的不参与关例如联，例如：

select *  

from log a

join bmw_users b

on 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 = 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partition key分配reduce。同一个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，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的优化特性；hive对un于ion 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 怎么看都显得多余（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hive bug））。所有这个hive按经验转换成：

select * from 

         （select * from t1

                 union all

               select * from t2  ）

      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（假如两个排序是并行的话），是有可性能更优的（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

union all

  select *

       from t2

join t3 

on t2.id = t3.id

） 

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 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mult inputs。

问题6：使用map join解决数据倾斜的场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，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(x)*/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map join

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下通过的数据倾斜解决方法，double被关联的相对比较小的表，这个方法这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分，然后把log数据根据memberid和pvtime分到不同的reduce里面去，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。后面的方案适合放在map join无法解决问题的情况下。

长远设想，把如下的优化方案做成通用的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，所有数据过来，他都是不知道数据分布情况的，所以采样时并不可少的。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mapjoin生成tmp2，把tmp2督导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。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。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，这个在绝对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）。作业减少1个到3，有reduce的作业数由4减少到2，第三部是一个小表的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作业初始化的时间比较长，既然起来来，让他多干点活，顺便把页面按uid去重复的活也干了，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计算收益的计算方法

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partion和sort。按type，accokie分组，