一篇文章搞懂 Hive 的调优思路

前言

本文隶属于专栏《1000个问题搞定大数据技术体系》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！

本专栏目录结构和参考文献请见1000个问题搞定大数据技术体系

姊妹篇

Hadoop 调优之 Linux 操作系统调优篇
Hadoop 调优之 HDFS 调优篇
Hadoop 调优之 MapReduce 调优篇
Hadoop 调优之 YARN 调优篇

正文

1. Fetch抓取

• Fetch抓取是指，Hive中对某些情况的查询可以不必使用MapReduce计算

• 例如：select * from employee; 在这种情况下，Hive可以简单地读取employee对应的存储目录下的文件，然后输出查询结果到控制台

• 在hive-default.xml.template文件中 hive.fetch.task.conversion 默认是more，

老版本hive默认是minimal，该属性修改为more以后，在全局查找、字段查找、limit查找等都不走 MapReduce。

实践

• 把 hive.fetch.task.conversion设置成none，然后执行查询语句，都会执行MapReduce程序

set hive.fetch.task.conversion=none;
select * from employee;
select sex from employee;
select sex from employee limit 3;

• 把hive.fetch.task.conversion设置成more，然后执行查询语句，如下查询方式都不会执行MapReduce程序。

set hive.fetch.task.conversion=more;
select * from employee;
select sex from employee;
select sex from employee limit 3;

2. 本地模式

• 在Hive客户端测试时，默认情况下是启用hadoop的job模式,把任务提交到集群中运行，这样会导致计算非常缓慢；

• Hive可以通过本地模式在单台机器上处理任务。对于小数据集，执行时间可以明显被缩短。

实践

--开启本地模式，并执行查询语句
set hive.exec.mode.local.auto=true;//开启本地mr

--设置local mr的最大输入数据量，当输入数据量小于这个值时采用local mr的方式，
--默认为134217728，即128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;

--设置local mr的最大输入文件个数，当输入文件个数小于这个值时采用local mr的方式，
--默认为4
set hive.exec.mode.local.auto.input.files.max=5;

--执行查询的sql语句
select * from employee cluster by deptid;

--关闭本地运行模式
set hive.exec.mode.local.auto=false;
 select * from employee cluster by deptid;

3. 表的优化

3.1 小表、大表 join

• 将key相对分散，并且数据量小的表放在join的左边，这样可以有效减少内存溢出错误发生的几率；再进一步，可以使用map join让小的维度表（1000条以下的记录条数）先进内存。在map端完成reduce。
• 实际测试发现：新版的hive已经对小表 join 大表和大表 join 小表进行了优化。小表放在左边和右边已经没有明显区别。

3.2 大表 join 大表

• 1．空 key 过滤
  • 有时join超时是因为某些key对应的数据太多，而相同key对应的数据都会发送到相同的reducer上，从而导致内存不够。
  • 此时我们应该仔细分析这些异常的key，很多情况下，这些key对应的数据是异常数据，我们需要在SQL语句中进行过滤。
• 2、空 key 转换
  • 有时虽然某个 key 为空对应的数据很多，但是相应的数据不是异常数据，必须要包含在 join 的结果中，此时我们可以表 a 中 key 为空的字段赋一个随机的值，使得数据随机均匀地分不到不同的 reducer 上。

3.3 map join

• 如果不指定MapJoin 或者不符合 MapJoin的条件，那么Hive解析器会将Join操作转换成Common Join，即：在Reduce阶段完成join。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。

• 1、开启MapJoin参数设置

--默认为true
set hive.auto.convert.join = true;

• 2、大表小表的阈值设置（默认25M一下认为是小表）

set hive.mapjoin.smalltable.filesize=25000000;

3.4 group By

• 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。

• 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。

• 开启Map端聚合参数设置

--是否在Map端进行聚合，默认为True
set hive.map.aggr = true;
--在Map端进行聚合操作的条目数目
set hive.groupby.mapaggr.checkinterval = 100000;
--有数据倾斜的时候进行负载均衡（默认是false）
set 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。

3.5 count(distinct)

• 数据量小的时候无所谓，数据量大的情况下，由于count distinct 操作需要用一个reduce Task来完成，这一个Reduce需要处理的数据量太大，就会导致整个Job很难完成，一般count distinct使用先group by 再count的方式替换

--每个reduce任务处理的数据量 默认256000000（256M）
set hive.exec.reducers.bytes.per.reducer=32123456;

select  count(distinct ip )  from log_text;

转换成

select count(ip) from (select ip from log_text group by ip) t;


虽然会多用一个Job来完成，但在数据量大的情况下，这个绝对是值得的。

3.6 笛卡尔积

• 尽量避免笛卡尔积，即避免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。

4. 使用分区剪裁、列剪裁

• 尽可能早地过滤掉尽可能多的数据量，避免大量数据流入外层SQL。
• 列剪裁
  • 只获取需要的列的数据，减少数据输入。
• 分区裁剪
  • 分区在hive实质上是目录，分区裁剪可以方便直接地过滤掉大部分数据。
  • 尽量使用分区过滤，少用select *

5. 并行执行

• 把一个sql语句中没有相互依赖的阶段并行去运行。提高集群资源利用率

--开启并行执行
set hive.exec.parallel=true;
--同一个sql允许最大并行度，默认为8。
set hive.exec.parallel.thread.number=16;

6. 严格模式

• Hive提供了一个严格模式，可以防止用户执行那些可能意想不到的不好的影响的查询。

• 通过设置属性hive.mapred.mode值为默认是非严格模式nonstrict 。开启严格模式需要修改hive.mapred.mode值为strict，开启严格模式可以禁止3种类型的查询。

--设置非严格模式（默认）
set hive.mapred.mode=nonstrict;

--设置严格模式
set hive.mapred.mode=strict;

• （1）对于分区表，除非where语句中含有分区字段过滤条件来限制范围，否则不允许执行

--设置严格模式下 执行sql语句报错； 非严格模式下是可以的
select * from order_partition；

异常信息：Error: Error while compiling statement: FAILED: SemanticException [Error 10041]: No partition predicate found for Alias "order_partition" Table "order_partition" 

• （2）对于使用了order by语句的查询，要求必须使用limit语句

--设置严格模式下 执行sql语句报错； 非严格模式下是可以的
select * from order_partition where month='2019-03' order by order_price; 

异常信息：Error: Error while compiling statement: FAILED: SemanticException 1:61 In strict mode, if ORDER BY is specified, LIMIT must also be specified. Error encountered near token 'order_price'

• （3）限制笛卡尔积的查询

  • 严格模式下，避免出现笛卡尔积的查询

7. JVM重用

• JVM重用是Hadoop调优参数的内容，其对Hive的性能具有非常大的影响，特别是对于很难避免小文件的场景或task特别多的场景，这类场景大多数执行时间都很短。

• JVM重用可以使得JVM实例在同一个job中重新使用N次。减少进程的启动和销毁时间。

-- 设置jvm重用个数
set mapred.job.reuse.jvm.num.tasks=5;

8. 推测执行

• Hadoop采用了推测执行（Speculative Execution）机制，

它根据一定的法则推测出“拖后腿”的任务，并为这样的任务启动一个备份任务，让该任务与原始任务同时处理同一份数据，并最终选用最先成功运行完成任务的计算结果作为最终结果。

--开启推测执行机制
set hive.mapred.reduce.tasks.speculative.execution=true;

9. 压缩

• Hive表中间数据压缩

#设置为true为激活中间数据压缩功能，默认是false，没有开启
set hive.exec.compress.intermediate=true;
#设置中间数据的压缩算法
set mapred.map.output.compression.codec= org.apache.hadoop.io.compress.SnappyCodec;

• Hive表最终输出结果压缩

set hive.exec.compress.output=true;
set mapred.output.compression.codec= 
org.apache.hadoop.io.compress.SnappyCodec;

关于 Hive 数据压缩的更多内容请参考——

10. 数据倾斜

合理设置Map数

1. 通常情况下，作业会通过input的目录产生一个或者多个map任务。

主要的决定因素有：input的文件总个数，input的文件大小，集群设置的文件块大小。

2. 是不是map数越多越好？

答案是否定的。

如果一个任务有很多小文件（远远小于块大小128m），则每个小文件也会被当做一个块，用一个map任务来完成，

而一个map任务启动和初始化的时间远远大于逻辑处理的时间，就会造成很大的资源浪费。

而且，同时可执行的map数是受限的。

3. 是不是保证每个map处理接近128m的文件块，就高枕无忧了？

答案也是不一定。

比如有一个127m的文件，正常会用一个map去完成，但这个文件只有一个或者两个小字段，却有几千万的记录，如果map处理的逻辑比较复杂，用一个map任务去做，肯定也比较耗时。

针对上面的问题2和3，我们需要采取两种方式来解决：即减少map数和增加map数；

小文件合并

• 在map执行前合并小文件，减少map数：

• CombineHiveInputFormat 具有对小文件进行合并的功能（系统默认的格式）

set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

复杂文件增加Map数

• 当input的文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数，来使得每个map处理的数据量减少，从而提高任务的执行效率。

• 增加map的方法为

  • 根据 ==computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))==公式
  • 调整maxSize最大值。让maxSize最大值低于blocksize就可以增加map的个数。

MapReduce.input.fileinputformat.split.minsize=1 默认值为1

MapReduce.input.fileinputformat.split.maxsize=Long.MAXValue 默认值Long.MAXValue因此，默认情况下，切片大小=blocksize 

maxsize（切片最大值): 参数如果调到比blocksize小，则会让切片变小，而且就等于配置的这个参数的值。

minsize(切片最小值): 参数调的比blockSize大，则可以让切片变得比blocksize还大。

• 例如

--设置maxsize大小为10M，也就是说一个block的大小为10M
set MapReduce.input.fileinputformat.split.maxsize=10485760;

合理设置Reduce数

• 1、调整reduce个数方法一

① 每个Reduce处理的数据量默认是256MB

set hive.exec.reducers.bytes.per.reducer=256000000;

② 每个任务最大的reduce数，默认为1009

set hive.exec.reducers.max=1009;

③ 计算reducer数的公式

N=min(参数2，总输入数据量/参数1)

• 2、调整reduce个数方法二

--设置每一个job中reduce个数
set MapReduce.job.reduces=3;

• 3、reduce个数并不是越多越好
  • 过多的启动和初始化reduce也会消耗时间和资源；
  • 同时过多的reduce会生成很多个文件，也有可能出现小文件问题