本文探讨了Hive在大数据处理中遇到的性能问题，如数据倾斜和jobs过多导致的效率低下。提出了通过良好的模型设计、解决数据倾斜、减少job数以及合理设置map reduce任务数等优化策略。同时强调，理解数据分布并针对性地解决数据倾斜是关键，而COUNT(DISTINCT)操作在大数据量下效率低，应谨慎使用。Hadoop的核心在于partition和sort，优化应从这些层面出发。
1.介绍
首先，我们来看看Hadoop的计算框架特性，在此特性下会衍生哪些问题？
- 数据量大不是问题，数据倾斜是个问题。
- jobs数比较多的作业运行效率相对比较低，比如即使有几百行的表，如果多次关联多次汇总，产生十几个jobs，耗时很长。原因是map reduce作业初始化的时间是比较长的。
- sum,count,max,min等UDAF，不怕数据倾斜问题,hadoop在map端的汇总合并优化，使数据倾斜不成问题。
- count(distinct ),在数据量大的情况下，效率较低，如果是多count(distinct )效率更低，因为count(distinct)是按group by 字段分组，按distinct字段排序，一般这种分布方式是很倾斜的。举个例子：比如男uv,女uv，像淘宝一天30亿的pv，如果按性别分组，分配2个reduce,每个reduce处理15亿数据。
面对这些问题，我们能有哪些有效的优化手段呢？下面列出一些在工作有效可行的优化手段：
- 好的模型设计事半功倍。
- 解决数据倾斜问题。
- 减少job数。
- 设置合理的map reduce的task数，能有效提升性能。(比如，10w+级别的计算，用160个reduce，那是相当的浪费，1个足够)。
- 了解数据分布，自己动手解决数据倾斜问题是个不错的选择。set hive.groupby.skewindata=true;这是通用的算法优化，但算法优化有时不能适应特定业务背景，开发人员了解业务，了解数据，可以通过业务逻辑精确有效的解决数据
最低0.47元/天 解锁文章
扫一扫
1686
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
