2020.9.20hive优化以及数据倾斜

最新推荐文章于 2021-07-24 16:18:47 发布

德塔饭堂

最新推荐文章于 2021-07-24 16:18:47 发布

阅读量207

点赞数

文章标签： hadoop mapreduce hive 大数据 hdfs

本文链接：https://blog.csdn.net/m0_49140390/article/details/111321845

版权

5.Count(Distinct)去重统计

一、EXPLAIN（执行计划）

基本语法

EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query

示例演示：

（ 1 ）查看下面这条语句的执行计划

hive (default)> explain select * from emp;

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

deptno;

（ 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;

二、Fetch 抓取（默认已开启）

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 。

<name>hive.fetch.task.conversion</name>

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>

示例演示：

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

mapreduce 程序。

hive (default)> set hive.fetch.task.conversion=none;

hive (default)> select * from emp;

hive (default)> select ename from emp;

hive (default)> select ename from emp limit 5;

2. 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。

hive (default)> set hive.fetch.task.conversion=more;

hive (default)> select * from emp;

hive (default)> select ename from emp;

hive (default)> select ename from emp limit 5;

三、本地模式（默认未开启）

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

行任务时消耗可能会比实际 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

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=8;

示例演示：

1. 开启本地模式，并执行查询语句

hive (default)> set hive.exec.mode.local.auto=true;

hive (default)> select * from emp cluster by deptno;

Time taken: 5.788 seconds, Fetched: 14 row(s)

2. 关闭本地模式，并执行查询语句

hive (default)> set hive.exec.mode.local.auto=false;

hive (default)> select * from emp cluster by deptno;

Time taken: 42.118 seconds, Fetched: 14 row(s)

四、表的优化

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。

示例演示

1. 需求：测试大表 JOIN 小表和小表 JOIN 大表的效率

2. 建大表、小表和 JOIN 后表的语句

create table bigtable(id bigint, time bigint, uid string, keyword string, url_rank int,

click_num int, click_url string) row format delimited fields terminated by '\t';

create table smalltable(id bigint, time bigint, uid string, keyword string, url_rank int,

click_num int, click_url string) row format delimited fields terminated by '\t';

create table jointable(id bigint, time bigint, uid string, keyword string, url_rank int,

click_num int, click_url string) row format delimited fields terminated by '\t';

3. 分别向大表和小表中导入数据

hive (default)> load data local inpath '/opt/datas/bigtable' into table bigtable;

hive(default)>load data local inpath '/opt/datas/smalltable' into table smalltable;

4. 关闭 mapjoin 功能（默认是打开的）

set hive.auto.convert.join = false;

5. 执行小表 JOIN 大表语句

insert overwrite table jointable

select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num,

b.click_url

from smalltable s

left join bigtable b

on b.id = s.id;

Time taken: 56.332 seconds

6. 执行大表 JOIN 小表语句

insert overwrite table jointable

select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num,

b.click_url

from bigtable b

left join smalltable s

on s.id = b.id;

Time taken: 51.298 seconds

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，操作如下：

示例演示：

（ 1 ）配置历史服务器（我们在前面的章节已经配置过）

配置 mapred-site.xml

<name>mapreduce.jobhistory.address</name>

<value>hadoop101:10020</value>

</property>

<name>mapreduce.jobhistory.webapp.address</name>

<value>hadoop101:19888</value>

</property>

启动历史服务器

mr-jobhistory-daemon.sh start historyserver

查看 jobhistory

浏览器输入 http://hadoop101:19888 进行访问

（ 2 ）创建原始数据表、空 id 表、合并后数据表

create table ori(id bigint, time bigint, uid string, keyword string, url_rank int,

click_num int, click_url string) row format delimited fields terminated by '\t';

create table nullidtable(id bigint, time bigint, uid string, keyword string, url_rank

int, click_num int, click_url string) row format delimited fields terminated by '\t';

create table jointable2(id bigint, time bigint, uid string, keyword string, url_rank

int, click_num int, click_url string) row format delimited fields terminated by '\t';

（ 3 ）分别加载原始数据和空 id 数据到对应表中

hive (default)> load data local inpath '/opt/datas/ori' into table ori;

hive (default)> load data local inpath '/opt/datas/nullid' into table nullidtable;

（ 4 ）测试不过滤空 id

hive (default)> insert overwrite table jointable2

select n.* from nullidtable n left join ori o on n.id = o.id;

Time taken: 52.243 seconds

（ 5 ）测试过滤空 id

hive (default)> insert overwrite table jointable2

select n.* from (select * from nullidtable where id is not null ) n

left join ori o on n.id = o.id;

Time taken: 43.625 seconds

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。例如：

示例演示：

不随机分布空 null 值：

（ 1 ）设置 5 个 reduce 个数

set mapreduce.job.reduces = 5;

（ 2 ） JOIN 两张表

insert overwrite table jointable2

select n.* from nullidtable n left join ori b on n.id = b.id;

结果：可以看出来，出现了数据倾斜，某些 reducer 的资源消耗远大于其他

reducer 。

图不随机分布空 null 值结果

随机分布空 null 值

（ 1 ）设置 5 个 reduce 个数

set mapreduce.job.reduces = 5;

（ 2 ） JOIN 两张表

insert overwrite table jointable2

select n.* from nullidtable n left join ori o on

case when n.id is null then concat('hive', rand()) else n.id end = o.id;

结果：可以看出来，消除了数据倾斜，负载均衡 reducer 的资源消耗

图随机分布空 null 值结果

3.MapJoin（默认已开启）

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;

可根据实际情况来调整小表的阈值设置，以控制触发 MapJoin 。

2.MapJoin 工作机制

图 mapjoin 工作机制

首先是 Task A ，它是一个 Local Task （在客户端本地执行的 Task ），负责扫描

小表 b 的数据，将其转换成一个 HashTable 的数据结构，并写入本地的文件中，

之后将该文件加载到 DistributeCache 中。

接下来是 Task B ，该任务是一个没有 Reduce 的 MR ，启动 MapTasks 扫描大

表 a, 在 Map 阶段，根据 a 的每一条记录去和 DistributeCache 中 b 表对应的

HashTable 关联，并直接输出结果。

由于 MapJoin 没有 Reduce ，所以由 Map 直接输出结果文件，有多少个 Map

Task ，就有多少个结果文件。

3. 示例演示：

（ 1 ）开启 Mapjoin 功能

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

（ 2 ）执行小表 JOIN 大表语句

insert overwrite table jointable

select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num,

b.click_url

from smalltable s

join bigtable b

on s.id = b.id;

Time taken: 33.016 seconds

（ 3 ）执行大表 JOIN 小表语句

insert overwrite table jointable

select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num,

b.click_url

from bigtable b

join smalltable s

on s.id = b.id;

Time taken: 32.481 seconds

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

大时就会产生数据倾斜。但在数据计算时，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。

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

示例演示：

（ 1 ）创建一张大表（前文已创建）

hive (default)> create table bigtable(id bigint, time bigint, uid string,

keyword string, url_rank int, click_num int, click_url string) row format

delimited fields terminated by '\t';

（ 2 ）加载数据（前文已加载）

hive (default)> load data local inpath '/opt/datas/bigtable' into table bigtable;

（ 3 ）设置 5 个 reduce 个数

set mapreduce.job.reduces = 5;

（ 4 ）执行去重 id 查询

hive (default)> select count(distinct id) from bigtable;

图 count(distinct)操作起一个 job

（ 5 ）采用 GROUP by 去重 id

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

图采用 GROUP by 去重 id

虽然会多用一个 Job 来完成，但在数据量大的情况下， group by 依旧是去重的一个优化手段。

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 条件都有可能

会产生笛卡尔积。

Hive 只能使用 1 个 reducer 来完成笛卡尔积，会导致计算性能较低。

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，比如：

示例演示：

（ 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 ori o on o.id = b.id

where o.id <= 10;Time taken: 63.316 seconds, Fetched: 100 row(s)

（ 2 ）通过子查询后，再关联表

hive (default)> select b.id from bigtable b

join (select id from ori where id <= 10 ) o on b.id = o.id;

Time taken: 61.106 seconds, Fetched: 100 row(s)

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

2. 示例演示

需求：将 ori 中的数据按照时间 ( 如： 20111230000008) ，插入到目标表

ori_partitioned_target 的相应分区中。

（ 1 ）创建分区表

create table ori_partitioned(id bigint, time bigint, uid string, keyword

string, url_rank int, click_num int, click_url string)

partitioned by (p_time bigint)

row format delimited fields terminated by '\t';

（ 2 ）加载数据到分区表中

hive (default)> load data local inpath '/opt/datas/ds1' into table

ori_partitioned partition(p_time='20111230000010') ;

hive (default)> load data local inpath '/opt/datas/ds2' into table

ori_partitioned partition(p_time='20111230000011') ;

（ 3 ）创建目标分区表

create table ori_partitioned_target(id bigint, time bigint, uid string,

keyword string, url_rank int, click_num int, click_url string) PARTITIONED BY

(p_time STRING) row format delimited fields terminated by '\t';

（ 4 ）设置动态分区

set hive.exec.dynamic.partition = true;

set hive.exec.dynamic.partition.mode = nonstrict;

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

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

set hive.exec.max.created.files = 100000;

set hive.error.on.empty.partition = false;

hive (default)> insert overwrite table ori_partitioned_target partition

(p_time)

select id, time, uid, keyword, url_rank, click_num, click_url, p_time from

ori_partitioned;

（ 5 ）查看目标分区表的分区情况

hive (default)> show partitions ori_partitioned_target;

9.分桶或分区

通过设置分区或分桶来进行优化

五、数据倾斜

数据倾斜是进行大数据计算时最经常遇到的问题之一。当我们在执行 HiveQL

或者运行 MapReduce 作业时候，如果遇到一直卡在 map100%,reduce99% 一般就

是遇到了数据倾斜的问题。

数据倾斜其实是进行分布式计算的时候，某些节点的计算能力比较强或者需

要计算的数据比较少，早早执行完了，某些节点计算的能力较差或者由于此节点

需要计算的数据比较多，导致出现其他节点的 reduce 阶段任务执行完成，但是

这种节点的数据处理任务还没有执行完成。单一 reduce 的记录数与平均记录数

差异过大，通常可能达到 3 倍甚至更多。最长时长远大于平均时长。

在 hive 中产生数据倾斜的原因：

➢ key 分布不均匀

➢ 业务数据本身的特性

➢ 建表时考虑不周

➢ 某些 SQL 语句本身就有数据倾斜

1.调整 Map 数

问 1:Map 数的决定因素有哪些？

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。

问 2 ：是不是设置 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。

问 3 ：是不是保证每个 map 处理接近 128m 的文件块，就没问题了？

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；

1. 小文件进行合并，减少 map 数（默认开启）

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;

注意： HiveInputFormat 没有对小文件合并功能。

2. 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。

MapReduce 中没有办法直接控制 map 数量，可以通过设置每个 map 中处理

的数据量进行设置。

增加 map 的方法为：根据公式，调整 maxSize 最大值：

computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M

让 maxSize 最大值低于 blocksize 就可以增加 map 的个数。

示例演示：

（ 1 ）执行查询

hive (default)> select count(*) from emp;

Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 1

（ 2 ）设置最大切片值为 100 个字节

hive (default)> set mapreduce.input.fileinputformat.split.maxsize=100;

hive (default)> select count(*) from emp;

Hadoop job information for Stage-1: number of mappers: 6; number of reducers: 1

2.调整 Reduce 数

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(hive.exec.reducers.max ，总输入数据量 /hive.exec.reducers.bytes.per.reducer)

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;

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。

3.产生的数据倾斜的场景

1.group by 产生数据倾斜

使用 Hive 对数据做一些类型统计的时候遇到过某种类型的数据量特别多，

而其他类型数据的数据量特别少。当按照类型进行 group by 的时候，会将相同的

group by 字段的 reduce 任务需要的数据拉取到同一个节点进行聚合，而当其中

每一组的数据量过大时，会出现其他组的计算已经完成而这里还没计算完成，其

他节点的一直等待这个节点的任务执行完成，所以会看到一直 map 100% reduce

99% 的情况。

解决方法：

➢ 开启 Map 端聚合参数设置（详见上文 2.4.4 Group By ）。

➢ 或者根据业务，合理调整分组维度。

2. 当 HiveQL 中包含 count （ distinct ）时

如果数据量非常大，执行如 select a,count(distinct b) from t group by a; 类型的

SQL 时，会出现数据倾斜的问题。

解决方法：

➢ 使用 sum...group by 代替。如 select a,sum(1) from (select a, b from t group

by a,b) group by a;

3. 当遇到一个大表和一个小表进行 join 操作时

解决方法：

使用 mapjoin 将小表加载到内存中。

4. 空值产生的数据倾斜

遇到需要进行 join 的但是关联字段有数据为空。

场景：如日志中，常会有信息丢失的问题，比如日志中的 user_id ，如果取

其中的 user_id 和用户表中的 user_id 关联，会碰到数据倾斜的问题。

数据量大时也会产生数据倾斜，如表一的 id 需要和表二的 id 进行关联。

解决方法：

➢ id 为空的不参与关联；

select * from log a join users b on a.user_id is not null and a.user_id = b.user_id

union all select * from log a where a.user_id is null;

➢ 给空值分配随机的 key 值。

select * from log a left outer join users b on case when a.user_id is null then

concat( ‘ hive ’ ,rand() ) else a.user_id end = b.user_id;

一般分配随机 key 值得方法更好一些。

5. 通用的一些数据倾斜的处理方法

➢ 合理设置 map 和 reduce 数

六、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。

七、严格模式（strict）

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。

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。

<name>hive.mapred.mode</name>

<value>strict</value>

</property>

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。

八、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。

<name>mapreduce.job.jvm.numtasks</name>

<description>How many tasks to run per jvm. If set to -1, there is

no limit.

</description>

</property>

这个功能的缺点是，开启 JVM 重用将一直占用使用到的 task 插槽，以便进

行重用，直到任务完成后才能释放。如果某个 “ 不平衡的 ”job 中有某几个 reduce

task 执行的时间要比其他 Reduce task 消耗的时间多的多的话，那么保留的插槽

就会一直空闲着却无法被其他的 job 使用，直到所有的 task 都结束了才会释放。

九推测执行

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。

设置开启推测执行参数： Hadoop 的 mapred-site.xml 文件中进行配置

<name>mapreduce.map.speculative</name>

<description>If true, then multiple instances of some map tasks

may be executed in parallel.</description>

</property>

<name>mapreduce.reduce.speculative</name>

<description>If true, then multiple instances of some reduce tasks

may be executed in parallel.</description>

</property>

不过 hive 本身也提供了配置项来控制 reduce-side 的推测执行：

<name>hive.mapred.reduce.tasks.speculative.execution</name>

<description>Whether speculative execution for reducers should be

turned on. </description>

</property>

关于调优这些推测执行变量，还很难给一个具体的建议。如果用户对于运行

时的偏差非常敏感的话，那么可以将这些功能关闭掉。如果用户因为输入数据量

很大而需要执行长时间的 map 或者 Reduce task 的话，那么启动推测执行造成的

浪费是非常巨大大。

十、采用压缩和适当的文件格式

压缩可以节约磁盘的空间，基于文本的压缩率可达 40%+; 压缩可以增加吞

吐量和性能量 ( 减小载入内存的数据量 ) ，但是在压缩和解压过程中会增加 CPU 的开销。

所以针对 IO 密集型的 jobs( 非计算密集型 ) 可以使用压缩的方式提高性能。

Hive 常用的几种文件存储方式：

1. TextFile

Hive 数据表的默认格式，存储方式： 行存储 。默认数据不做压缩，磁盘开销

大，数据解析开销大。

可以使用 Gzip 压缩算法，但压缩后的文件不支持 split 在

反序列化过程中，必须逐个字符判断是不是分隔符和行结束符，因此反序列化开

销会比 SequenceFile 高几十倍。

2.Sequence Files

Hadoop 中有些原生压缩文件的缺点之一就是不支持分割。支持分割的文件

可以并行的有多个 mapper 程序处理大数据文件，大多数文件不支持可分割是因

为这些文件只能从头开始读。

Sequence File 是可分割的文件格式，支持 Hadoop 的 block 级压缩。

Hadoop API 提供的一种二进制文件，以 key-value 的形式序列化到文件中。

存储方式：行存储。 sequencefile 支持三种压缩选择： NONE ， RECORD ， BLOCK 。

Record 压缩率低， RECORD 是默认选项，通常 BLOCK 会带来较 RECORD 更好的压

缩性能。优势是文件和 hadoop api 中的 MapFile 是相互兼容的。

3. RCFile

存储方式：数据按行分块，每块 按列存储 。结合了行存储和列存储的优点：

首先， RCFile 保证同一行的数据位于同一节点，因此元组重构的开销很低其

次，像列存储一样， RCFile 能够利用列维度的数据压缩，并且能跳过不必要的列

读取数据追加： RCFile 不支持任意方式的数据写操作，仅提供一种追加接口，

这是因为底层的 HDFS 当前仅仅支持数据追加写文件尾部。行组大小：行组变

大有助于提高数据压缩的效率，但是可能会损害数据的读取性能，因为这样增加

了 Lazy 解压性能的消耗。而且行组变大会占用更多的内存，这会影响并发执行

的其他 MR 作业。

4.ORCFile

存储方式：数据按行分块，每块按照列存储。

压缩快，快速列存取。效率比 rcfile 高，是 rcfile 的改良版本。

ORC 是在一定程度上扩展了 RCFile ，是对 RCFile 的优化。

➢ ORC 是 列式存储 ，有多种文件压缩方式，并且有着很高的压缩比。

➢ 文件是可切分（ Split ）的。因此，在 Hive 中使用 ORC 作为表的文件存储

格式，不仅节省 HDFS 存储资源，查询任务的输入数据量减少，使用的

MapTask 也就减少了。

➢ 提供了多种索引， row group index 、 bloom filter index 。

➢ ORC 可以支持复杂的数据结构（比如 Map 等）

5.Parquet

Parquet 也是一种行式存储，同时具有很好的压缩性能；同时可以减少大量

的表扫描和反序列化的时间。

德塔饭堂

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫