hive参数优化-----亲测有效

hive查询的时候，导致服务器负载过高，load值飙升，服务器CPU是8个，按理说load不超过8，都应算ok的，但是，hive在部署完后没有调参，导致在执行过程中，load值达到了7.8以上，服务器连接出现问题，因此想到了调参，现在整理如下：

本次查询所用测试语句为：

select util_lnadw21ifj1579078492403.e2467e8ab37945a3869c6d3093d2c399,util_lnadw21ifj1579078492403.1cb0cb4bda2546f0a230d1955ff0d7a4,util_lnadw21ifj1579078492403.c690536676184df9a347c76c5c575661 from (select util_191pm71579078361630.e2467e8ab37945a3869c6d3093d2c399,util_191pm71579078361630.1cb0cb4bda2546f0a230d1955ff0d7a4,util_191pm71579078361630.c690536676184df9a347c76c5c575661,util_191pm71579078361630.f081b7ce95ef4e84b4d7282bc0c5e3f6 from (select data_oy3efaueda1579078258016.e2467e8ab37945a3869c6d3093d2c399,data_oy3efaueda1579078258016.1cb0cb4bda2546f0a230d1955ff0d7a4,data_oy3efaueda1579078258016.c690536676184df9a347c76c5c575661,data_oy3efaueda1579078258016.f081b7ce95ef4e84b4d7282bc0c5e3f6 from (select data_oy3efaueda1579078258016.name as e2467e8ab37945a3869c6d3093d2c399,data_oy3efaueda1579078258016.eud as 1cb0cb4bda2546f0a230d1955ff0d7a4,data_oy3efaueda1579078258016.salary as c690536676184df9a347c76c5c575661,data_oy3efaueda1579078258016.destination as f081b7ce95ef4e84b4d7282bc0c5e3f6 from  test01.employee data_oy3efaueda1579078258016) data_oy3efaueda1579078258016 inner join(select data_diskmvki1579078266957.name as 3218b1512ecd457594d59dda6638392c,data_diskmvki1579078266957.eud as 443f2b8ea393492689720d38fbddfed1,data_diskmvki1579078266957.destination as 92eb60bfeb9041fb910c18d1fc9612ef from  test01.employee_temp data_diskmvki1579078266957) data_diskmvki1579078266957 on data_oy3efaueda1579078258016.e2467e8ab37945a3869c6d3093d2c399=data_diskmvki1579078266957.3218b1512ecd457594d59dda6638392c) util_191pm71579078361630 where util_191pm71579078361630.c690536676184df9a347c76c5c575661='45000') util_lnadw21ifj1579078492403 where util_lnadw21ifj1579078492403.1cb0cb4bda2546f0a230d1955ff0d7a4='1201';

整理hive参数如下：

================================================================================

Map Reduce数量相关 
数据分片大小 (分片的数量决定map的数量) 
计算公式: splitSize = Math.max(minSize, Math.min(maxSize, blockSize)) 
set mapreduce.input.fileinputformat.split.maxsize=750000000;

单个reduce处理的数据量 (影响reduce的数量) 
计算公式: Max(1, Min(hive.exec.reducers.max [1099], ReducerStage estimate/hive.exec.reducers.bytes.per.reducer)) x hive.tez.max.partition.factor 
set hive.exec.reducers.bytes.per.reducer=629145600;

tez将会根据vertice的输出大小动态预估调整reduce的个数 
set hive.tez.auto.reducer.parallelism = true;

hive执行引擎 mr/tez/spark 
set hive.execution.engine=mr;

调整Join顺序，让多次Join产生的中间数据尽可能小，选择不同的Join策略 
set hive.cbo.enable=true;

如果数据已经根据相同的key做好聚合，那么去除掉多余的map/reduce作业 
set hive.optimize.reducededuplication=true;

如果一个简单查询只包括一个group by和order by，此处可以设置为1或2 
set hive.optimize.reducededuplication.min.reducer=4;

Map Join优化, 不太大的表直接通过map过程做join 
set hive.auto.convert.join=true; 
set hive.auto.convert.join.noconditionaltask=true;

Map Join任务HashMap中key对应value数量 
set hive.smbjoin.cache.rows=10000;

可以被转化为HashMap放入内存的表的大小(官方推荐853M) 
set hive.auto.convert.join.noconditionaltask.size=894435328;

**map端聚合(跟group by有关), 如果开启, Hive将会在map端做第一级的聚合, 会用更多的内存 
http://dmtolp**eko.com/2014/10/13/map-side-aggregation-in-hive/ 
开启这个参数 sum(1)会有类型转换问题 
set hive.map.aggr=false;

所有map任务可以用作Hashtable的内存百分比, 如果OOM, 调小这个参数(官方默认0.5) 
set hive.map.aggr.hash.percentmemory=0.5;

将只有SELECT, FILTER, LIMIT转化为FETCH, 减少等待时间 
set hive.fetch.task.conversion=more; 
set hive.fetch.task.conversion.threshold=1073741824;

聚合查询是否转化为FETCH 
set hive.fetch.task.aggr=false;

如果数据按照join的key分桶，hive将简单优化inner join(官方推荐关闭) 
set hive.optimize.bucketmapjoin= false; 
set hive.optimize.bucketmapjoin.sortedmerge=false;

以下两个参数用于开启动态分区 
set hive.exec.dynamic.partition=true; 
set hive.exec.dynamic.partition.mode=nonstrict;

合并小文件 
set hive.merge.mapfiles=true; 
set hive.merge.mapredfiles=true; 
set hive.merge.tezfiles=true; 
set hive.merge.sparkfiles=false; 
set hive.merge.size.per.task=536870912; 
set hive.merge.smallfiles.avgsize=536870912; 
set hive.merge.orcfile.stripe.level=true;

如果开启将会在ORC文件中记录metadata 
set hive.orc.splits.include.file.footer=false;

ORC写缓冲大小 
set hive.exec.orc.default.stripe.size=67108864;

新创建的表/分区是否自动计算统计数据 
set hive.stats.autogather=true; 
set hive.compute.query.using.stats=true; 
set hive.stats.fetch.column.stats=true; 
set hive.stats.fetch.partition.stats=true;

手动统计已经存在的表 （本次没做）
ANALYZE TABLE COMPUTE STATISTICS; 
ANALYZE TABLE COMPUTE STATISTICS for COLUMNS; 
ANALYZE TABLE partition (coll=”x”) COMPUTE STATISTICS for COLUMNS;

在order by limit查询中分配给存储Top K的内存为10% 
set hive.limit.pushdown.memory.usage=0.1;

是否开启自动使用索引 
set hive.optimize.index.filter=true;

获取文件块路径的工作线程数 
set mapreduce.input.fileinputformat.list-status.num-threads=5;

如果自动分区数大于这个参数，将会报错 
set hive.exec.max.dynamic.partitions=100000; 
set hive.exec.max.dynamic.partitions.pernode=100000;

=========================================================================

对比了上述参数，本次优化了以下内容：

hive> set hive.limit.pushdown.memory.usage;
hive.limit.pushdown.memory.usage=-1.0

hive> set hive.stats.fetch.column.stats;
hive.stats.fetch.column.stats=false

hive> set hive.merge.smallfiles.avgsize;
hive.merge.smallfiles.avgsize=16000000

hive> set hive.merge.tezfiles;
hive.merge.tezfiles=false

hive> set hive.exec.dynamic.partition.mode;
hive.exec.dynamic.partition.mode=strict

hive> set hive.auto.convert.join.noconditionaltask.size;
hive.auto.convert.join.noconditionaltask.size=10000000

hive> set hive.optimize.index.filter;
hive.optimize.index.filter=false

hive> set mapreduce.input.fileinputformat.list-status.num-threads;
mapreduce.input.fileinputformat.list-status.num-threads=1

hive> set hive.exec.max.dynamic.partitions;
hive.exec.max.dynamic.partitions=1000

hive> set hive.exec.max.dynamic.partitions.pernode;
hive.exec.max.dynamic.partitions.pernode=100

hive> set hive.map.aggr;
hive.map.aggr=true

这些都是hive默认的值，按照上述均作出了调整，目前和上述参数设置一致，再次执行查询语句，load稳定在5.5左右，如果让开发单独执行这条语句，load在2以下，目前看来参数是有效的

mapred.child.java.opts 这个参数我这里没有具体优化，这个参数是配置每个map或reduce使用的内存数量。默认的是200M。对于这个参数，我个人认为，如果内存是8G，CPU有8个核，那么就设置成1G就可以了。实际上，在map和reduce的过程中对内存的消耗并不大，但是如果配置的太小，则有可能出现”无可分配内存”的错误。所以，对于这个配置我总结了一个简单的公式：map/reduce的并发数量(总和不大于CPU核数)×mapred.child.java.opts < 该节点机器的总内存。当然也可以等于，不过有点风险而已。参考：Mapreduce 参数---mapred.map.child.java.opts_风筝Lee的博客-CSDN博客

本次优化参考链接：

Hive总结篇及Hive的优化_爆发的~小宇宙的博客-CSDN博客_hive insert 优化

Hive调优（语法与参数层面优化）_李国冬的博客-CSDN博客

MapReduce过程详解及其性能优化 - 大数据从业者FelixZh - 博客园

hive优化大全-一篇就够了_GOD_WAR的博客-CSDN博客_hive的优化

这是精髓：

真正让你明白Hive参数调优系列1：控制map个数与性能调优参数_涤生大数据的博客-CSDN博客_mapred.min.split.size.per.node

真正让你明白Hive参数调优系列2：如何控制reduce个数与参数调优_涤生大数据的博客-CSDN博客

hive参数调优汇总_寒郊無留影的博客-CSDN博客_hive负载均衡

另外：MR的内存优化参考这篇：

mapreduce内存分配_AI蜗牛之家的博客-CSDN博客_mapreduce.map.memory.mb

https://www.jianshu.com/p/73d9ce671261

hive的存储，参考这篇：

hive四种存储格式介绍与分析比较_Deegue的博客-CSDN博客_hive 存储格式

hive复制表 存储格式转换_Deegue的博客-CSDN博客

小文件处理，参考这篇：

Hadoop小文件处理_听见下雨的声音hb的博客-CSDN博客_hadoop 小文件处理