Hive设置map和reduce的个数

一、控制hive任务中的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(目前为128M, 可在hive中通过set dfs.block.size;命令查看到，该参数不能自定义修改)；

2. 举例： 
   a) 假设input目录下有1个文件a,大小为780M,那么hadoop会将该文件a分隔成7个块（6个128m的块和1个12m的块），从而产生7个map数。 
   b) 假设input目录下有3个文件a,b,c,大小分别为10m，20m，130m，那么hadoop会分隔成4个块（10m,20m,128m,2m），从而产生4个map数，即如果文件大于块大小(128m)，那么会拆分，如果小于块大小，则把该文件当成一个块。

3. 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。

4. 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3和4，我们需要采取两种方式来解决：即减少map数和增加map数。

如何合并小文件，减少map数？

假设一个SQL任务： 
Select count(1) 
from popt_tbaccountcopy_mes 
where pt = ‘2012-07-04’; 
该任务的inputdir /group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04共有194个文件，其中很多是远远小于128m的小文件，总大小9G，正常执行会用194个map任务。 
Map总共消耗的计算资源： SLOTS_MILLIS_MAPS= 623,020。

我通过以下方法来在map执行前合并小文件，减少map数： 
set mapred.max.split.size=100000000; 
set mapred.min.split.size.per.node=100000000; 
set mapred.min.split.size.per.rack=100000000; 
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; 
再执行上面的语句，用了74个map任务，map消耗的计算资源：SLOTS_MILLIS_MAPS= 333,500。 
对于这个简单SQL任务，执行时间上可能差不多，但节省了一半的计算资源。 
大概解释一下，100000000表示100M, set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;这个参数表示执行前进行小文件合并，前面三个参数确定合并文件块的大小，大于文件块大小128m的，按照128m来分隔，小于128m,大于100m的，按照100m来分隔，把那些小于100m的（包括小文件和分割大文件剩下的）进行合并，最终生成了74个块。

如何适当的增加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。 
假设有这样一个任务： 
Select data_desc, 
count(1), 
count(distinct id), 
sum(case when …), 
sum(case when …), 
sum(…) 
from a group by data_desc

如果表a只有一个文件，大小为120M，但包含几千万的记录，如果用1个map去完成这个任务，肯定是比较耗时的，这种情况下，我们要考虑将这一个文件合理的拆分成多个，这样就可以用多个map任务去完成。 
set mapred.reduce.tasks=10; 
create table a_1 as 
select * from a 
distribute by rand(123); 
这样会将a表的记录，随机的分散到包含10个文件的a_1表中，再用a_1代替上面sql中的a表，则会用10个map任务去完成。每个map任务处理大于12M（几百万记录）的数据，效率肯定会好很多。 
看上去，貌似这两种有些矛盾，一个是要合并小文件，一个是要把大文件拆成小文件，这点正是重点需要关注的地方，根据实际情况，控制map数量需要遵循两个原则：使大数据量利用合适的map数；使单个map任务处理合适的数据量。

二、 控制hive任务的reduce数：

1. Hive自己如何确定reduce数： 
   reduce个数的设定极大影响任务执行效率，不指定reduce个数的情况下，Hive会猜测确定一个reduce个数，基于以下两个设定： 
   hive.exec.reducers.bytes.per.reducer（每个reduce任务处理的数据量，默认为1000^3=1G） 
   hive.exec.reducers.max（每个任务最大的reduce数，默认为999） 
   计算reducer数的公式很简单N=min(参数2，总输入数据量/参数1) 
   即，如果reduce的输入（map的输出）总大小不超过1G,那么只会有一个reduce任务； 
   如：select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt; 
   /group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04 总大小为9G多，因此这句有10个reduce

2. 调整reduce个数方法一： 
   调整hive.exec.reducers.bytes.per.reducer参数的值； 
   set hive.exec.reducers.bytes.per.reducer=500000000; （500M） 
   select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt; 这次有20个reduce

3. 调整reduce个数方法二； 
   set mapred.reduce.tasks = 15; 
   select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt;这次有15个reduce

4. reduce个数并不是越多越好； 
   同map一样，启动和初始化reduce也会消耗时间和资源； 
   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；

5. 什么情况下只有一个reduce？ 
   很多时候你会发现任务中不管数据量多大，不管你有没有设置调整reduce个数的参数，任务中一直都只有一个reduce任务；其实只有一个reduce任务的情况，除了数据量小于hive.exec.reducers.bytes.per.reducer参数值的情况外，还有以下原因： 
   a) 没有group by的汇总，比如把select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt; 写成 select count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04'; 
   这点非常常见，希望大家尽量改写。 
   b) 用了Order by 
   c) 有笛卡尔积 
   通常这些情况下，除了找办法来变通和避免，我暂时没有什么好的办法，因为这些操作都是全局的，所以hadoop不得不用一个reduce去完成； 
   同样的，在设置reduce个数的时候也需要考虑这两个原则：使大数据量利用合适的reduce数；使单个reduce任务处理合适的数据量。

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

hive sql基本原则：

1：尽量尽早地过滤数据，减少每个阶段的数据量,对于分区表要加分区，同时只选择需要使用到的字段

select ... fromA

join B

on A.key =B.key

whereA.userid>10

andB.userid<10

andA.dt='20120417'

andB.dt='20120417';

应该改写为：

select ....from (select .... from A

wheredt='201200417'

anduserid>10

) a

join ( select.... from B

wheredt='201200417'

and userid <10

) b

on a.key =b.key;

2：尽量原子化操作，尽量避免一个SQL包含复杂逻辑

可以使用中间表来完成复杂的逻辑

drop table ifexists tmp_table_1;

create table ifnot exists tmp_table_1 as

select ......;

drop table ifexists tmp_table_2;

create table ifnot exists tmp_table_2 as

select ......;

drop table ifexists result_table;

create table ifnot exists result_table as

select ......;

drop table ifexists tmp_table_1;

drop table ifexists tmp_table_2;

3：单个SQL所起的JOB个数尽量控制在5个以下

4：慎重使用mapjoin,一般行数小于2000行，大小小于1M(扩容后可以适当放大)的表才能使用,小表要注意放在join的左边（目前TCL里面很多都小表放在join的右边）。

否则会引起磁盘和内存的大量消耗

5：写SQL要先了解数据本身的特点，如果有join ,group操作的话，要注意是否会有数据倾斜

如果出现数据倾斜，应当做如下处理：

sethive.exec.reducers.max=200;

setmapred.reduce.tasks= 200;---增大Reduce个数

sethive.groupby.mapaggr.checkinterval=100000 ;--这个是group的键对应的记录条数超过这个值则会进行分拆,值根据具体数据量设置

set hive.groupby.skewindata=true;--如果是group by过程出现倾斜 应该设置为true

sethive.skewjoin.key=100000; --这个是join的键对应的记录条数超过这个值则会进行分拆,值根据具体数据量设置

sethive.optimize.skewjoin=true;--如果是join 过程出现倾斜 应该设置为true

6：如果union all的部分个数大于2，或者每个union部分数据量大，应该拆成多个insert into 语句，实际测试过程中，执行时间能提升50%

insert overwitetable tablename partition (dt= ....)

select .....from (

select ... fromA

union all

select ... fromB

union all

select ... fromC

) R

where ...;

可以改写为：

insert intotable tablename partition (dt= ....)

select ....from A

WHERE ...;

insert intotable tablename partition (dt= ....)

select ....from B

WHERE ...;

insert intotable tablename partition (dt= ....)

select ....from C

WHERE ...;