Hive-常用调优手段

企业级调优

执行计划(Explain)

基本语法

EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query

案例实操

(1)查看下面这条语句的执行计划

没有生成 MR 任务的

hive (default)> explain select * from emp;
OK
Explain
STAGE DEPENDENCIES:
  Stage-0 is a root stage   // 一个阶段

STAGE PLANS:
  Stage: Stage-0
    Fetch Operator          // 抓取操作
      limit: -1
      Processor Tree:
        TableScan
          alias: emp        // 表的别名，没有就是表名
          Statistics: Num rows: 1 Data size: 6570 Basic stats: COMPLETE Column stats: NONE
          Select Operator
            expressions: empno (type: int), ename (type: string), job (type: string), mgr (type: int), hiredate (type: string), sal (type: double), comm (type: double), deptno (type: int)                 // 要查询的字段
            outputColumnNames: _col0, _col1, _col2, _col3, _col4, _col5, _col6, _col7
            Statistics: Num rows: 1 Data size: 6570 Basic stats: COMPLETE Column stats: NONE
            ListSink

Time taken: 1.192 seconds, Fetched: 17 row(s)

有生成 MR 任务的

hive (default)> explain select deptno, avg(sal) avg_sal from emp group by deptno;
OK
Explain
STAGE DEPENDENCIES:
  Stage-1 is a root stage
  Stage-0 depends on stages: Stage-1     // 两个阶段，阶段0依赖阶段1

STAGE PLANS:
  Stage: Stage-1      // 阶段1是一个MapReduce
    Map Reduce
      Map Operator Tree: // Map操作
          TableScan
            alias: emp  // map阶段处理的表的别名
            Statistics: Num rows: 1 Data size: 6570 Basic stats: COMPLETE Column stats: NONE
            Select Operator // 查询操作
              expressions: sal (type: double), deptno (type: int)
              outputColumnNames: sal, deptno
              Statistics: Num rows: 1 Data size: 6570 Basic stats: COMPLETE Column stats: NONE
              Group By Operator // groupBy操作
                aggregations: sum(sal), count(sal) // 分组的内容
                keys: deptno (type: int) // 分组的key
                mode: hash
                outputColumnNames: _col0, _col1, _col2
                Statistics: Num rows: 1 Data size: 6570 Basic stats: COMPLETE Column stats: NONE
                Reduce Output Operator
                  key expressions: _col0 (type: int)
                  sort order: +
                  Map-reduce partition columns: _col0 (type: int)
                  Statistics: Num rows: 1 Data size: 6570 Basic stats: COMPLETE Column stats: NONE
                  value expressions: _col1 (type: double), _col2 (type: bigint)
      Execution mode: vectorized
      Reduce Operator Tree: // Reduce操作
        Group By Operator
          aggregations: sum(VALUE._col0), count(VALUE._col1)
          keys: KEY._col0 (type: int)
          mode: mergepartial
          outputColumnNames: _col0, _col1, _col2 // 输出三个字段
          Statistics: Num rows: 1 Data size: 6570 Basic stats: COMPLETE Column stats: NONE
          Select Operator
            expressions: _col0 (type: int), (_col1 / _col2) (type: double) // 求平均值
            outputColumnNames: _col0, _col1
            Statistics: Num rows: 1 Data size: 6570 Basic stats: COMPLETE Column stats: NONE
            File Output Operator // 写出操作
              compressed: false
              Statistics: Num rows: 1 Data size: 6570 Basic stats: COMPLETE Column stats: NONE
              table:
                  input format: org.apache.hadoop.mapred.SequenceFileInputFormat
                  output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
                  serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe

  Stage: Stage-0  // 阶段0，抓取操作
    Fetch Operator
      limit: -1
      Processor Tree:
        ListSink

Time taken: 1.68 seconds, Fetched: 53 row(s)

(2)查看详细执行计划

hive (default)> explain extended select * from emp;
hive (default)> explain extended select deptno, avg(sal) avg_sal from emp group by deptno;

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 employees;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。

<property>
    <name>hive.fetch.task.conversion</name>
    <value>more</value>
    <description>
        Expects one of [none, minimal, more].
        Some select queries can be converted to single FETCH task minimizing latency.
        Currently the query should be single sourced not having any subquery and should not have any aggregations or distincts (which incurs RS), lateral views and joins.
        0. none : disable hive.fetch.task.conversion
        1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only
        2. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)
    </description>
</property>

本地模式

大多数的 Hadoop Job 是需要 Hadoop 提供的完整的可扩展性来处理大数据集的。不过,有时 Hive 的输入数据量是非常小的。在这种情况下,为查询触发执行任务消耗的时间可能会比实际 job 的执行时间要多的多。对于大多数这种情况,Hive 可以通过本地模式在单台机器上处理所有的任务。

对于小数据集,执行时间可以明显被缩短。

用户可以通过设置 hive.exec.mode.local.auto 的值为 true,来让 Hive 在适当的时候自动启动这个优化。

//开启本地 mr,默认是false为集群模式
set hive.exec.mode.local.auto=true; 

//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=10;

当数据量小，数据文件少的时候可以用本地模式。启动之后他会直接用本地的Hadoop节点，相当于单机。生产模式下一般是用不到本地模式的。

表的优化

小表大表 Join(MapJOIN)

将 key 相对分散,并且数据量小的表放在 join 的左边,可以使用 map join 让小的维度表先进内存。在 map 端完成 join。

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区别。

mapJoin即，map阶段时将小表加载到内存里面，在进行join的时候直接从内存去获取数据，在map端就可以完成join，不用reduce了。

开启 MapJoin 参数设置

(1)设置自动选择 Mapjoin,默认为 true
set hive.auto.convert.join = true; 

(2)大表小表的阈值设置(默认 25M 以下认为是小表):
set hive.mapjoin.smalltable.filesize = 25000000;

MapJoin工作机制

大表 Join 大表

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。

测试不过滤空 id
hive (default)> insert overwrite table jointable select n.* from nullidtable n left join bigtable o on n.id = o.id;
测试过滤空 id
hive (default)> insert overwrite table jointable select n.* from (select * from nullidtable where id is not null) n left join bigtable o on n.id = o.id;

在进行MapJoin的时候，会自动进行空值过滤。

Inner join也会自动进行空值的过滤。

空key过滤使用场景：

1、非inner join

2、不需要字段为null的

最好是先过滤再join

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。

因为null的在多个分区的时候，key为null的数据会放到同一个分区中，会产生数据倾斜，因此需要通过随机值来均匀的将null分到不同的reducer上处理。

给随机数的时候，不能给出和原来key相同的值。

SMB(Sort Merge Bucket join) 分桶表

分桶时，按照join的字段进行分桶，且分桶的数量一样多，那么join字段相同的就会放到同一个桶里面；因此每个桶里面的数据只会与对方对应桶里的数据join会有结果。

桶的个数不要超过可用 CPU 的核数，那样所有的任务会并行执行，效率会最高。

创建分通表 1,桶的个数不要超过可用 CPU 的核数
create table bigtable_buck1(
    id bigint,
    t bigint,
    uid string,
    keyword string,
    url_rank int,
    click_num int,
    click_url string
)
clustered by(id)
sorted by(id)
into 6 buckets
row format delimited fields terminated by '\t';


创建分通表 2,桶的个数不要超过可用 CPU 的核数
create table bigtable_buck2(
    id bigint,
    t bigint,
    uid string,
    keyword string,
    url_rank int,
    click_num int,
    click_url string
)
clustered by(id)
sorted by(id)
into 6 buckets
row format delimited fields terminated by '\t';

设置参数
set hive.optimize.bucketmapjoin = true;
set hive.optimize.bucketmapjoin.sortedmerge = true;
set hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;

测试
insert overwrite table jointable
select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable_buck1 s
join bigtable_buck2 b
on b.id = s.id;

分桶表在大数据join的时候，经常用到，提升效率很明显。

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。

1)开启 Map 端聚合参数设置

(1)是否在 Map 端进行聚合,默认为 True
set hive.map.aggr = true

(2)在 Map 端进行聚合操作的条目数目
set hive.groupby.mapaggr.checkinterval = 100000

(3)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。

hive (default)> set hive.groupby.skewindata = true;
hive (default)> select deptno from emp group by deptno;

Count(Distinct) 去重统计

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,但是需要注意 group by 造成的数据倾斜问题.

执行去重 id 查询
hive (default)> select count(distinct id) from bigtable;


设置 5 个 reduce 个数
hive (default)> set mapreduce.job.reduces = 5;

采用 GROUP by 去重 id
hive (default)> select count(id) from (select id from bigtable group by id) a;

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。

数据量小的时候，不用这样因为启动任务的花费会更大；数据量大的时候才能看出优化。

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。

行列过滤

列处理:在 SELECT 中,只拿需要的列,如果有分区,尽量使用分区过滤,少用 SELECT *。

行处理:在分区剪裁中,当使用外关联时,如果将副表的过滤条件写在 Where 后面,那么就会先全表关联,之后再过滤

1)测试先关联两张表,再用 where 条件过滤
hive (default)> select o.id from bigtable b
                join bigtable o on o.id = b.id
                where o.id <= 10;

2)通过子查询后,再关联表
hive (default)> select b.id from bigtable b
                join (select id from bigtable where id <= 10) o on b.id = o.id;

以上两种方式的执行结果是差不多的，因为sql中会自动进行优化，

第一个方法也会先对o和b表进行<=10的处理，会对o.id进行过滤是因为sql中的谓词下推，先过滤再join而，会对b.id也进行过滤是因为join的字段就是id；如果不是用join字段进行过滤时，则不会进行提前的过滤。

第二个方法也会先对o和b表进行<=10的处理。

因此为了防止谓词下推失效，最好自己写过滤条件去过滤。

分区

分桶

合理设置 Map 及 Reduce 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;

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)))=blocksize=128M 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。

set mapreduce.input.fileinputformat.split.maxsize=100;

小文件进行合并

1)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)。HiveInputFormat 没有对小文件合并功能。

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

2)在 Map-Reduce 的任务结束时合并小文件的设置:

在 map-only 任务结束时合并小文件,默认 true
SET hive.merge.mapfiles = true;

在 map-reduce 任务结束时合并小文件,默认 false
SET hive.merge.mapredfiles = true;

合并文件的大小,默认 256M
SET hive.merge.size.per.task = 268435456;

当输出文件的平均大小小于该值时,启动一个独立的 map-reduce 任务进行文件 merge
SET hive.merge.smallfiles.avgsize = 16777216;

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

(2)每个任务最大的 reduce 数,默认为 1009
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

在 hadoop 的 mapred-default.xml 文件中修改
或者设置每个 job 的 Reduce 个数
set mapreduce.job.reduces = 15;

3)reduce 个数并不是越多越好
(1)过多的启动和初始化 reduce 也会消耗时间和资源;

(2)另外,有多少个 reduce,就会有多少个输出文件,如果生成了很多个小文件,那么如果这些小文件作为下一个任务的输入,则也会出现小文件过多的问题;

在设置 reduce 个数的时候也需要考虑这两个原则:

处理大数据量利用合适的 reduce 数;

使单个 reduce 任务处理数据量大小要合适。

并行执行

Hive 会将一个查询转化成一个或者多个阶段。这样的阶段可以是 MapReduce 阶段、抽样阶段、合并阶段、limit 阶段。或者 Hive 执行过程中可能需要的其他阶段。默认情况下,Hive 一次只会执行一个阶段。不过,某个特定的 job 可能包含众多的阶段,而这些阶段可能并非完全互相依赖的,也就是说有些阶段是可以并行执行的,这样可能使得整个 job 的执行时间缩短。不过,如果有更多的阶段可以并行执行,那么 job 可能就越快完成。

通过设置参数 hive.exec.parallel 值为 true,就可以开启并发执行。不过,在共享集群中,需要注意下,如果 job 中并行阶段增多,那么集群利用率就会增加。

//打开任务并行执行
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;

当然,得是在系统资源比较空闲的时候才有优势,否则,没资源,并行也起不来。

严格模式

Hive 可以通过设置严格模式，防止一些危险操作:

1)分区表不使用分区过滤

将 hive.strict.checks.no.partition.filter 设置为 true 时,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。换句话说,就是用户不允许扫描所有分区。进行这个限制的原因是,通常分区表都拥有非常大的数据集,而且数据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表。

有可能在有分区的情况下，也会进行全局的扫描。

2)使用 order by 没有 limit 过滤

将 hive.strict.checks.orderby.no.limit 设置为 true 时,对于使用了 order by 语句的查询,要求必须使用 limit 语句。因为 order by 为了执行排序过程会将所有的结果数据分发到同一个Reducer 中进行处理,强制要求用户增加这个 LIMIT 语句可以防止 Reducer 额外执行很长一段时间。

3)笛卡尔积

将 hive.strict.checks.cartesian.product 设置为 true 时**,会限制笛卡尔积的查询**。对关系型数据库非常了解的用户可能期望在 执行 JOIN 查询的时候不使用 ON 语句而是使用 where 语句,这样关系数据库的执行优化器就可以高效地将 WHERE 语句转化成那个 ON 语句。不幸的是,Hive 并不会执行这种优化,因此,如果表足够大,那么这个查询就会出现不可控的情况。

JVM 重用

处理小文件的时候，可以用到JVM重用。

压缩