以下参数值不是固定值,可结合集群情况适当调整
1、并行执行job
一个hql可能会转化为多个MR job来执行,如果有些job间没有依赖关系,可以让多个job同时运行,提升执行效率,但如果集群资源较少,不建议开启,否则会导致多个job相互抢占资源,降低整体运行效率
set hive.exec.parallel=true;
set hive.exec.parallel.thread.number=12;
2、控制Mapper读入文件块大小
(1)每个map读入数据块的最大值,这个值决定了合并后文件的数量
set mapred.max.split.size=256000000;
(2)一个节点上文件块进行split切分的最小值,会对不同节点数据进行传输合并
set mapred.min.split.size.per.node=128000000;
(3)一个交换机上文件块进行split切分的最大值,会对不同交换机上的数据文件进行合并
set mapred.min.split.size.per.rack=128000000;
(4)map执行前先对小文件进行合并
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
3、设置Map和Reduce阶段结束时进行文件合并
(1)设置map端合并,在map only结束时进行文件合并
set hive.merge.mapfiles=true;
(2)设置reduce端合并,在MapReduce任务结束时合并小文件
set hive.merge.mapredfiles=true;
(3)设置合并文件的大小
set hive.merge.size.per.task=256000000;
(4)当输出文件的平均大小小于该值时,启动一个MR任务进行文件合并
set hive.merge.smallfiles.avgsize=16000000;
4、矢量查询
默认是单行数据处理,矢量查询可以一次性批量执行1024行数据
set hive.vectorized.execution.enabled=true;
set hive.vectorized.execution.reduce.enabled=true;
5、CBO(基于成本优化)
开启此功能后会自动优化sql中多个join的顺序,并根据算法优化每个查询的执行逻辑和物理执行计划,确定join顺序和任务并行度等
set hive.cbo.enable=true;
set hive.compute.query.using.stats=true;
set hive.stats.fetch.column.stats=true;
set hive.stats.fetch.partition.stats=true;
6、Map端聚合
默认情况下,在MR过程中,map阶段的相同key会分发到相同reduce,如果一个key数据量较大就很可能产生数据倾斜,所以在reduce端进行聚合操作前可以先在map端先进行一次聚合
(1)设置在map端进行聚合操作,默认为true(提升效率的同时也会占用较多内存)
set hive.map.aggr=true;
(2)在map端聚合的数据条数
set hive.groupby.mapaggr.checkinterval=100000;
7、自动Map join
可以将小表全部加载到内存在map端进行join,避免reduce处理,特别当大表与小表join时,可采用map join,但是小表的行数不宜过多,通常上限为20万条(仅供参考)
如果大表的数据量过大,shuffle数据量较大,可将小表行数上限提升到100万条,注意各stage的数据量是否过大产生磁盘溢出,如果有则需增加reduce task数目,join时避免大表与大表直接join
(1)开启自动选择mapjoin,默认开启
set hive.auto.convert.join=true;
(2)设置小表的大小,默认25m以下为小表
set hive.mapjoin.smalltable.filesize=25000000;
8、负载均衡
当产生数据倾斜时启动负载均衡,默认为false
set hive.groupby.skewindata=true;
开启负载均衡后,任务会拆分为两个job来执行:
(1)第一个job中map阶段的输出结果会随机分发到多个reduce中,每个reduce做部分聚合操作,这个过程中同一key有可能被发送到不同的reduce中,以此实现负载均衡功能
(2)第二个job会将上个job处理的结果对key进行group by将数据分发到多个reduce中,这可以保证相同key被分到同一个reduce中,以此完成最终的聚合操作
9、使用索引
(1)开启自动索引
set hive.optimize.index.filter=true;
(2)使用聚合索引优化group by操作
set hive.optimize.index.groupby=true;
10、简单查询不走MR
set hive.fetch.task.conversion=more;
可选参数:
minimal:默认值,在select * 、where day = ‘xxx’ 、limit n 时才会使用直接抓取数据的方式(其中day是分区字段)
more:在使用select、where、limit时都会直接抓取数据
11、控制Mapper数
切片大小计算公式:
splitSize=Math.max(minSize,Math.min(maxSize,blockSize))
其中:
minSize可由mapreduce.input.fileinputformat.split.minsize设定,默认值为1
maxSize可由mapreduce.input.fileinputformat.split.maxsize设定,默认值为Long.MAXValue
所以默认情况下切片大小为blockSize