七 函数
7.1
系统自带的函数
1
)查看系统自带的函数
hive>
show functions;
2
)显示自带的函数的用法
hive>
desc function upper;
3
)详细显示自带的函数的用法
hive>
desc function
extended
upper;
7.2
自定义函数
1
)
Hive
自带了一些函数,比如:
max/min
等,但是数量有限,自己可以通过自定义
UDF
来方便的扩展。
2
)当
Hive
提供的内置函数无法满足你的业务处理需要时,此时就可以考虑使用用户自定义
函数(
UDF
:
user-defined function
)。
3
)根据用户自定义函数类别分为以下三种:
(
1
)
UDF
(
User-Defined-Function
)
一进一出
(
2
)
UDAF
(
User-Defined Aggregation Function
)
聚集函数,多进一出
类似于:
count/max/min
(
3
)
UDTF
(
User-Defined Table-Generating Functions
)
一进多出
如
lateral view explore()
4
)官方文档地址
https://cwiki.apache.org/confluence/display/Hive/HivePlugins
5
)编程步骤:
(
1
)继承
org.apache.hadoop.hive.ql.UDF
(
2
)需要实现
evaluate
函数;
evaluate
函数支持重载;
(
3
)在
hive
的命令行窗口创建函数
a
)添加
jar
add jar linux_jar_path
b
)创建
function
,
create [temporary] function [dbname.]function_name AS class_name;
(
4
)在
hive
的命令行窗口删除函数
Drop [temporary] function [if exists] [dbname.]function_name;
6
)注意事项
(
1
)
UDF
必须要有返回类型,可以返回
null
,但是返回类型不能为
void
;
8.2 Hadoop 压缩配置
8.2.1 MR 支持的压缩编码
压缩格式 工具 算法 文件扩展名 是否可切分
DEFAULT 无 DEFAULT .deflate 否
Gzip gzip DEFAULT .gz 否
bzip2 bzip2 bzip2 .bz2 是
LZO lzop LZO .lzo 是
Snappy 无 Snappy .snappy 否
为了支持多种压缩/解压缩算法,Hadoop 引入了编码/解码器,如下表所示
压缩格式 对应的编码/解码器
DEFLATE org.apache.hadoop.io.compress.DefaultCodec
gzip org.apache.hadoop.io.compress.GzipCodec
bzip2 org.apache.hadoop.io.compress.BZip2Codec
LZO com.hadoop.compression.lzo.LzopCodec
Snappy org.apache.hadoop.io.compress.SnappyCodec
压缩性能的比较
压缩算法 原始文件大小 压缩文件大小 压缩速度 解压速度
gzip 8.3GB 1.8GB 17.5MB/s 58MB/s
bzip2 8.3GB 1.1GB 2.4MB/s 9.5MB/s
LZO 8.3GB 2.9GB 49.3MB/s 74.6MB/s
http://google.github.io/snappy/
On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250 MB/sec
or more and decompresses at about 500 MB/sec or more.
8.3
开启
Map
输出阶段压缩
开启
map
输出阶段压缩可以减少
job
中
map
和
Reduce task
间数据传输量。具体配置如下:
案例实操:
1
)开启
hive
中间传输数据压缩功能
hive (default)>set hive.exec.compress.intermediate=true;
2
)开启
mapreduce
中
map
输出压缩功能
hive (default)>set mapreduce.map.output.compress=true;
3
)设置
mapreduce
中
map
输出数据的压缩方式
hive (default)>set mapreduce.map.output.compress.codec= org.apache.hadoop.io.compress.SnappyCodec;
4
)执行查询语句
hive (default)> select count(ename) name from emp;
8.4
开启
Reduce
输出阶段压缩
当
Hive
将 输 出 写 入 到 表 中 时 , 输 出 内 容 同 样 可 以 进 行 压 缩 。 属 性
hive.exec.compress.output
控制着这个功能。用户可能需要保持默认设置文件中的默认值
false
,这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中
设置这个值为
true
,来开启输出结果压缩功能。
案例实操:
1
)开启
hive
最终输出数据压缩功能
hive (default)>set hive.exec.compress.output=true;
2
)开启
mapreduce
最终输出数据压缩
hive (default)>set mapreduce.output.fileoutputformat.compress=true;
3
)设置
mapreduce
最终数据输出压缩方式
hive (default)> set mapreduce.output.fileoutputformat.compress.codec =
org.apache.hadoop.io.compress.SnappyCodec;
4
)设置
mapreduce
最终数据输出压缩为块压缩
hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;
5
)测试一下输出结果是否是压缩文件
hive (default)> insert overwrite local directory '/opt/module/datas/distribute-result' select *
from emp distribute by deptno sort by empno desc;
8.5
文件存储格式
Hive
支持的存储数的格式主要有:
TEXTFILE
、
SEQUENCEFILE
、
ORC
、
PARQUET
。
8.5.1
列式存储和行式存储
上图左边为逻辑表,右边第一个为行式存储,第二个为列式存储。
行存储的特点:
查询满足条件的一整行数据的时候,列存储则需要去每个聚集的字段
找到对应的每个列的值,行存储只需要找到其中一个值,其余的值都在相邻地方,所以此时
行存储查询的速度更快。
列存储的特点:
因为每个字段的数据聚集存储,在查询只需要少数几个字段的时候,
能大大减少读取的数据量;每个字段的数据类型一定是相同的,列式存储可以针对性的设计
更好的设计压缩算法。
TEXTFILE
和
SEQUENCEFILE
的存储格式都是基于行存储的;
ORC
和
PARQUET
是基于列式存储的。
8.5.2 TextFile
格式
默认格式,数据不做压缩,磁盘开销大,数据解析开销大。可结合
Gzip
、
Bzip2
使用
(
系
统自动检查,执行查询时自动解压
)
,但使用这种方式,
hive
不会对数据进行切分,从而无
法对数据进行并行操作。
8.5.3 Orc
格式
Orc (Optimized Row Columnar)
是
hive 0.11
版里引入的新的存储格式。
可以看到每个
Orc
文件由
1
个或多个
stripe
组成,每个
stripe250MB
大小,这个
Stripe
实际相当于
RowGroup
概念,不过大小由
4MB->250MB
,这样应该能提升顺序读的吞吐率。
每个
Stripe
里有三部分组成,分别是
Index Data,Row Data,Stripe Footer
:
1
)
Index Data
:一个轻量级的
index
,默认是每隔
1W
行做一个索引。这里做的索引应该
只是记录某行的各字段在
Row Data
中的
offset
。
2
)
Row Data
:存的是具体的数据,先取部分行,然后对这些行按列进行存储。对每个列
进行了编码,分成多个
Stream
来存储。
3
)
Stripe Footer
:存的是各个
Stream
的类型,长度等信息。
每个文件有一个
File Footer
,这里面存的是每个
Stripe
的行数,每个
Column
的数据类型
信息等;每个文件的尾部是一个
PostScript
,这里面记录了整个文件的压缩类型以及
FileFooter
的长度信息等。在读取文件时,会
seek
到文件尾部读
PostScript
,从里面解析到
File Footer
长度,再读
FileFooter
,从里面解析到各个
Stripe
信息,再读各个
Stripe
,即从后往前读。
8.5.4 Parquet
格式
Parquet
是面向分析型业务的列式存储格式,由
Twitter
和
Cloudera
合作开发,
2015
年
5
月从
Apache
的孵化器里毕业成为
Apache
顶级项目。
Parquet
文件是以二进制方式存储的,所以是不可以直接读取的,文件中包括该文件的数
据和元数据,
因此
Parquet
格式文件是自解析的。
通常情况下,在存储
Parquet
数据的时候会按照
Block
大小设置行组的大小,由于一般
情况下每一个
Mapper
任务处理数据的最小单位是一个
Block
,这样可以把
每一个行组由一
个
Mapper
任务处理,增大任务执行并行度
。
Parquet
文件的格式如下图所示。
上图展示了一个
Parquet
文件的内容,一个文件中可以存储多个行组,文件的首位都是
该文件的
Magic Code
,用于校验它是否是一个
Parquet
文件,
Footer length
记录了文件元数
据的大小,通过该值和文件长度可以计算出元数据的偏移量,文件的元数据中包括每一个行
组的元数据信息和该文件存储数据的
Schema
信息。除了文件中每一个行组的元数据,每一
页的开始都会存储该页的元数据,在
Parquet
中,有三种类型的页:数据页、字典页和索引
页。数据页用于存储当前行组中该列的值,字典页存储该列值的编码字典,每一个列块中最
多包含一个字典页,索引页用来存储当前行组下该列的索引,目前
Parquet
中还不支持索引
页。
存储文件的查询速度总结:
ORC > TextFile > Parquet
4
)存储方式和压缩总结:
在实际的项目开发当中,
hive
表的数据存储格式一般选择:
orc
或
parquet
。压缩方式一
般选择 snappy
。
9.1 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 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
。
9.3
表的优化
9.3.1
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
Group
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。
9.3.2
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。例如
key
对应的字段
为空.
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。
select n.* from nullidtable n full join ori o on
case when n.id is null then concat('hive', rand()) else n.id end = o.id;
9.3.3 MapJoin
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:
(
1
)设置自动选择
Mapjoin
set hive.auto.convert.join = true;
默认为
true
(
2
)大表小表的阀值设置(默认
25M
一下认为是小表):
set hive.mapjoin.smalltable.filesize=25000000;
9.3.4 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。
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
hive.map.aggr = true
(
2
)在
Map
端进行聚合操作的条目数目
hive.groupby.mapaggr.checkinterval = 100000
(
3
)有数据倾斜的时候进行负载均衡(默认是
false
)
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。
9.3.5 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.
9.3.6
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
9.3.7
行列过滤
列处理:在
SELECT
中,只拿需要的列,如果有,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。
9.3.8
动态分区调整
关系型数据库中,对分区表
Insert
数据时候,数据库自动会根据分区字段的值,将数据
插入到相应的分区中,
Hive
中也提供了类似的机制,即动态分区
(Dynamic Partition)
,只不
过,使用
Hive
的动态分区,需要进行相应的配置。
1
)开启动态分区参数设置
(
1
)开启动态分区功能(默认
true
,开启)
hive.exec.dynamic.partition=true
(
2
)设置为非严格模式(动态分区的模式,默认
strict
,表示必须指定至少一个分区为
静态分区,
nonstrict
模式表示允许所有的分区字段都可以使用动态分区。)
hive.exec.dynamic.partition.mode=nonstrict
(
3
)在所有执行
MR
的节点上,最大一共可以创建多少个动态分区。
hive.exec.max.dynamic.partitions=1000
(
4
)
在每个执行
MR
的节点上,最大可以创建多少个动态分区。
该参数需要根据实际
的数据来设定。比如:源数据中包含了一年的数据,即
day
字段有
365
个值,那么该参数就
需要设置成大于
365
,如果使用默认值
100
,则会报错。
hive.exec.max.dynamic.partitions.pernode=100
(
5
)整个
MR Job
中,最大可以创建多少个
HDFS
文件。
hive.exec.max.created.files=100000
(
6
)当有空分区生成时,是否抛出异常。一般不需要设置。
hive.error.on.empty.partition=false
9.4
数据倾斜
9.4.1
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;
9.4.2
小文件进行合并
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)。
HiveInputFormat
没有对小文件合并功能。
set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
9.4.3
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。
9.4.4
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
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;
9.5
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。
set hive.exec.parallel=true; //
打开任务并行执行
set hive.exec.parallel.thread.number=16; //
同一个
sql
允许最大并行度,默认为
8
。
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。
9.6
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向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。
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。
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。
2
)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
)
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。
9.7 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。
Hadoop
的默认配置通常是使用派生
JVM
来执行
map
和
Reduce
任务的。这时
JVM
的
启动过程可能会造成相当大的开销,尤其是执行的
job
包含有成百上千
task
任务的情况。
JVM
重用可以使得
JVM
实例在同一个
job
中重新使用
N
次。
N
的值可以在
Hadoop
的
mapred-site.xml
文件中进行配置。通常在
10-20
之间,具体多少需要根据具体业务场景测试
得出。
9.8
推测执行
在分布式集群环境下,因为程序
Bug
(包括
Hadoop
本身的
bug
),负载不均衡或者资源
分布不均等原因,会造成同一个作业的多个任务之间运行速度不一致,有些任务的运行速度
可能明显慢于其他任务(比如一个作业的某个任务进度只有
50%
,而其他所有任务已经运
行完毕),则这些任务会拖慢作业的整体执行进度。为了避免这种情况发生,
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。