大数据分析利器之Hive(三)：企业级hive调优

最新推荐文章于 2024-09-28 17:56:10 发布
最新推荐文章于 2024-09-28 17:56:10 发布
阅读量162 收藏
点赞数 1
分类专栏： 大数据 hive 文章标签： 大数据 hive
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34577182/article/details/115248108
版权

系列文章目录

大数据分析利器之Hive(一)
大数据分析利器之Hive(二)
大数据分析利器之Hive(三)

文章目录

前言

本文主要围绕hive的高级操作进行讲解。主要包括以下几个方面。
hive表的数据压缩和文件存储格式
hive的企业级调优

1. Hive表的数据压缩

1、数据的压缩说明
  • 压缩模式评价
    • 可使用以下三种标准对压缩方式进行评价
      • 1、压缩比：压缩比越高，压缩后文件越小，所以压缩比越高越好
      • 2、压缩时间：越快越好
      • 3、已经压缩的格式文件是否可以再分割：可以分割的格式允许单一文件由多个Mapper程序处理，可以更好的并行化
  • 常见压缩格式
压缩方式压缩比压缩速度解压缩速度是否可分割
gzip13.4%21 MB/s118 MB/s否
bzip213.2%2.4MB/s9.5MB/s是
lzo20.5%135 MB/s410 MB/s否
snappy22.2%172 MB/s409 MB/s否
  • Hadoop编/解码器方式
压缩格式对应的编码/解码器
DEFLATEorg.apache.hadoop.io.compress.DefaultCodec
Gziporg.apache.hadoop.io.compress.GzipCodec
BZip2org.apache.hadoop.io.compress.BZip2Codec
LZOcom.hadoop.compress.lzo.LzopCodec
Snappyorg.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
gzip8.3GB1.8GB17.5MB/s58MB/s
bzip28.3GB1.1GB2.4MB/s9.5MB/s
LZO8.3GB2.9GB49.3MB/s74.6MB/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.

2、压缩配置参数
  • 要在Hadoop中启用压缩，可以配置如下参数（mapred-site.xml文件中）：
参数默认值阶段建议
io.compression.codecs （在core-site.xml中配置）org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec, org.apache.hadoop.io.compress.Lz4Codec输入压缩Hadoop使用文件扩展名判断是否支持某种编解码器
mapreduce.map.output.compresstruemapper输出这个参数设为true启用压缩
mapreduce.map.output.compress.codecorg.apache.hadoop.io.compress.DefaultCodecmapper输出使用LZO、LZ4或snappy编解码器在此阶段压缩数据
mapreduce.output.fileoutputformat.compresstruereducer输出这个参数设为true启用压缩
mapreduce.output.fileoutputformat.compress.codecorg.apache.hadoop.io.compress. DefaultCodecreducer输出使用标准工具或者编解码器，如gzip和bzip2
mapreduce.output.fileoutputformat.compress.typeNONE|RECORDreducer输出SequenceFile输出使用的压缩类型：NONE和BLOCK
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）hql语句可能被转换成多个job，如job1的结果作为job2的输入...开启job间结果数据的压缩功能；默认false
hive (default)>set hive.exec.compress.intermediate=true;

2）开启mapreduce中map输出压缩功能；默认false
hive (default)>set mapreduce.map.output.compress=true;

3）设置mapreduce中map输出数据的压缩方式；默认DefaultCodec
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(1) from score;
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最终输出数据的压缩功能；默认false
hive (default)>set hive.exec.compress.output=true;

2）开启mapreduce最终输出数据压缩；默认false
hive (default)>set mapreduce.output.fileoutputformat.compress=true;

3）设置mapreduce最终数据输出压缩方式；默认DefaultCodec
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；默认RECORD
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
insert overwrite local directory '/kkb/install/hivedatas/snappy' 
select * from score distribute by s_id sort by s_id desc;

2. Hive表的文件存储格式

  • Hive支持的存储数据的格式主要有：TEXTFILE（行式存储） 、SEQUENCEFILE(行式存储)、ORC（列式存储）、PARQUET（列式存储）。
1、列式存储和行式存储

在这里插入图片描述

  • 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。 select 某些字段效率更高

  • 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。

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gzip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。
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：

在这里插入图片描述

  • 一个orc文件可以分为若干个Stripe

  • 一个stripe可以分为三个部分

    • indexData：某些列的索引数据

    • rowData :真正的数据存储

    • StripFooter：stripe的元数据信息

      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stripe的元数据信息

  • 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。

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。

在这里插入图片描述

  • 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。
5、 主流文件存储格式(TEXTFILE/ORC/PARQUET)

建表语法：

create table log_text (
...
)ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS TEXTFILE/ORC/PARQUET ;

3、存储和压缩结合

官网：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC

ORC存储方式的压缩：

KeyDefaultNotes
orc.compressZLIBhigh level compression (one of NONE, ZLIB, SNAPPY)
orc.compress.size262,144number of bytes in each compression chunk
orc.stripe.size67,108,864number of bytes in each stripe
orc.row.index.stride10,000number of rows between index entries (must be >= 1000)
orc.create.indextruewhether to create row indexes
orc.bloom.filter.columns“”comma separated list of column names for which bloom filter should be created
orc.bloom.filter.fpp0.05false positive probability for bloom filter (must >0.0 and <1.0)
1. 创建一个非压缩的的ORC存储方式

（1）建表语句

create table log_orc_none(
...
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS orc tblproperties ("orc.compress"="NONE");
2. 创建一个SNAPPY压缩的ORC存储方式

（1）建表语句

create table log_orc_snappy(
...
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS orc tblproperties ("orc.compress"="SNAPPY");

2）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。

4. hive的企业级调优

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 score;
    • 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。

  • 案例实操

    • 把 hive.fetch.task.conversion设置成**none**，然后执行查询语句，都会执行mapreduce程序
set hive.fetch.task.conversion=none;
  • 把 hive.fetch.task.conversion设置成**none**，然后执行查询语句，都会执行mapreduce程序
set hive.fetch.task.conversion=more;
2、本地模式

  • 在Hive客户端测试时，默认情况下是启用hadoop的job模式,把任务提交到集群中运行，这样会导致计算非常缓慢；

  • Hive可以通过本地模式在单台机器上处理任务。对于小数据集，执行时间可以明显被缩短。

  • 案例实操

    在开始本地模式之前，先运行语句

set hive.exec.mode.local.auto;
select * from score cluster by s_id;

开启本地模式

--开启本地模式，并执行查询语句；默认false
set hive.exec.mode.local.auto=true;  //开启本地mr

--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=5;

--执行查询的sql语句
select * from score cluster by s_id;

--关闭本地运行模式
set hive.exec.mode.local.auto=false;
3、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map join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。

  • 多个表关联时，最好分拆成小段，避免大sql（无法控制中间Job）

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：

INSERT OVERWRITE TABLE jointable
SELECT a.* FROM (SELECT * FROM nullidtable WHERE id IS NOT NULL ) a JOIN ori b ON a.id = b.id;

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。

    不随机分布：
    例：

-- 默认值256000000，即256m
set hive.exec.reducers.bytes.per.reducer=32123456;
set mapreduce.job.reduces=7;

INSERT OVERWRITE TABLE jointable
SELECT a.*
FROM nullidtable a
LEFT JOIN ori b ON CASE WHEN a.id IS NULL THEN 'hive' ELSE a.id END = b.id;
No rows affected (41.668 seconds)

结果：这样的后果就是所有为null值的id全部都变成了相同的字符串，及其容易造成数据的倾斜（所有的key相同，相同key的数据会到同一个reduce当中去）

为了解决这种情况，我们可以通过hive的rand函数，随记的给每一个为空的id赋上一个随机值，这样就不会造成数据倾斜

  • 随机分布：
set hive.exec.reducers.bytes.per.reducer=32123456;
  set mapreduce.job.reduces=7;
  
  INSERT OVERWRITE TABLE jointable
  SELECT a.*
  FROM nullidtable a
  LEFT JOIN ori b ON CASE WHEN a.id IS NULL THEN concat('hive', rand()) ELSE a.id END = b.id;
3 map join

  • 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

--默认为true
set hive.auto.convert.join = true;
  • 2、大表小表的阈值设置（默认25M一下认为是小表）
set hive.mapjoin.smalltable.filesize=26214400;
  • 3、MapJoin工作机制

在这里插入图片描述
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。

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。

  • 开启Map端聚合参数设置

--是否在Map端进行聚合，默认为True
set hive.map.aggr = true;
--在Map端进行聚合操作的条目数目；默认100000
set hive.groupby.mapaggr.checkinterval = 100000;
--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)
  • 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
4、使用分区剪裁、列剪裁
  • 尽可能早地过滤掉尽可能多的数据量，避免大量数据流入外层SQL。
  • 列剪裁
    • 只获取需要的列的数据，减少数据输入。
    • 少用select *
  • 分区裁剪
    • 分区在hive实质上是目录，分区裁剪可以方便直接地过滤掉大部分数据。
    • 尽量使用分区过滤

先关联再Where：

SELECT a.id
FROM bigtable a
LEFT JOIN ori b ON a.id = b.id
WHERE b.id <= 10;

正确的写法是写在ON后面：先过滤再关联

SELECT a.id
FROM ori a
LEFT JOIN bigtable b ON (a.id <= 10 AND a.id = b.id);

或者直接写成子查询：

SELECT a.id
FROM bigtable a
RIGHT JOIN (SELECT id
FROM ori
WHERE id <= 10
) b ON a.id = b.id;
5、并行执行
  • 把一个sql语句中没有相互依赖的阶段并行去运行。提高集群资源利用率
--开启并行执行；默认false
set hive.exec.parallel=true;
--同一个sql允许最大并行度，默认为8。
set hive.exec.parallel.thread.number=16;
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想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。

--设置非严格模式（默认nonstrict）
set hive.mapred.mode=nonstrict;

--设置严格模式
set hive.mapred.mode=strict;

  • （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

    --设置严格模式下 执行sql语句报错； 非严格模式下是可以的
select * from score; -- score是个分区表

异常信息：Error: Error while compiling statement: FAILED: SemanticException [Error 10041]: No partition predicate found for Alias "order_partition" Table "order_partition"

  • （2）对于使用了order by语句的查询，要求必须使用limit语句

    --设置严格模式下 执行sql语句报错； 非严格模式下是可以的
select * from score where month='201806' order by s_score; 

异常信息：Error: Error while compiling statement: FAILED: SemanticException 1:61 In strict mode, if ORDER BY is specified, LIMIT must also be specified. Error encountered near token 'order_price'

  • （3）限制笛卡尔积的查询

    严格模式下，避免出现笛卡尔积的查询

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。

<property>
  <name>mapreduce.job.jvm.numtasks</name>
  <value>10</value>
  <description>How many tasks to run per jvm. If set to -1, there is
  no limit. 
  </description>
</property>
  • 我们也可以在hive当中通过
set mapred.job.reuse.jvm.num.tasks=10;

这个设置来设置我们的jvm重用

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。

8、使用EXPLAIN（执行计划）
  • 查看hql执行计划
explain select * from score where month='201806';
9、压缩

​ 参见数据的压缩

  • Hive表中间数据压缩

    #设置为true为激活中间数据压缩功能，默认是false，没有开启
set hive.exec.compress.intermediate=true;
#设置中间数据的压缩算法
set mapred.map.output.compression.codec= org.apache.hadoop.io.compress.SnappyCodec;

  • Hive表最终输出结果压缩

    set hive.exec.compress.output=true;
set mapred.output.compression.codec= 
org.apache.hadoop.io.compress.SnappyCodec;
11、数据倾斜
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。

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，150m，那么hadoop会分隔成4个块（10m，20m，128m，22m），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。

  • 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；
2 小文件合并

  • 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）

    set mapred.max.split.size=112345600;
set mapred.min.split.size.per.node=112345600;
set mapred.min.split.size.per.rack=112345600;
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（包括小文件和分隔大文件剩下的），进行合并。

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)))==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。
    mapreduce.input.fileinputformat.split.minsize=1 默认值为1

mapreduce.input.fileinputformat.split.maxsize=Long.MAXValue 默认值Long.MAXValue因此，默认情况下，切片大小=blocksize 

maxsize（切片最大值): 参数如果调到比blocksize小，则会让切片变小，而且就等于配置的这个参数的值。

minsize(切片最小值): 参数调的比blockSize大，则可以让切片变得比blocksize还大。
    • 例如
    --设置maxsize大小为10M，也就是说一个fileSplit的大小为10M
set mapreduce.input.fileinputformat.split.maxsize=10485760;
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

      set hive.exec.reducers.bytes.per.reducer=256000000;
      1. 每个任务最大的reduce数，默认为1009
      set hive.exec.reducers.max=1009;
      1. 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

    --设置每一个job中reduce个数
set mapreduce.job.reduces=3;

  • 3、reduce个数并不是越多越好

  • 过多的启动和初始化reduce也会消耗时间和资源；

  • 同时过多的reduce会生成很多个文件，也有可能出现小文件问题

总结

![在这里插入图片描述](https://img-blog.csdnimg.cn/20210326163500861.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM0NTc3MTgy,size_16,color_FFFFFF,t_70)

获取更多干货，请关注我的个人公众号，关注领取福利
在这里插入图片描述

BB侠的大数据之旅
关注
专栏目录
flink sql 知其所以然（十六）：flink sql 开发企业级利器之 Dlink
qq_34608620的博客
02-13 2004
1.序篇 博主这个系列都是讲 flink sql 相关的实践的。 讲到这个章节，其实挺多常用的 flink sql 语法及实战案例都已经讲了。 那么原理讲了，得在自己家公司把 flink sql 这等好东西用起来啊。 搞大数据开发的同学基本都知道在 HUE 上面写 hive sql 贼爽。那么有没有写 flink sql 的企业级的 web IDE 推荐的呢？ 经过博主调研之后，发现有两款非常优秀的利器： Apache Zeppelin Dlink 为啥先介绍 Dlink 呢？ 因为博主和其开发
chatgpt赋能python：Python连接Hive：简洁高效的数据分析利器
shengcaiy123的博客
05-28 215
Hive是基于Hadoop的数据仓库工具，能够支持大数据存储和查询。Hive使用类似SQL的语言HiveQL，可以对存储在Hadoop上的结构化和半结构化数据进行查询、分析和汇总。由于Hadoop生态系统中的大数据处理工具层出不穷，从原生的MapReduce到Hive、Pig、Spark等，Hive在这些工具中擅长于SQL风格的数据操作，尤其适合数据仓库和数据流程中的数据转换和预处理。本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。
数据仓库工具之hive调优(4)
HanSion.Z
05-11 488
大数据分析利器之hive1. hive表的文件存储格式1.1 列式存储和行式存储1.2 TEXTFILE格式1.3 ORC格式1.4 PARQUET格式1.5 主流文件存储格式对比实验1.5.1 TextFile1.5.2 ORC1.5.3 Parquet2、存储和压缩结合2.1 创建一个非压缩的的ORC存储方式2.2 创建一个SNAPPY压缩的ORC存储方式3. hive的SerDe3.1 hive的SerDe是什么3.2 hive的SerDe 类型3.3 企业实战3.3.1 通过MultiDelimi
Kylin：大数据分析的利器
2401_86299559的博客
07-13 331
Kylin作为一种高效的大数据分析工具，以其易用性、高性能和灵活性，在大数据时代中发挥着重要作用。随着技术的不断发展和企业对数据分析需求的不断增长，Kylin未来的发展前景广阔，值得期待。
13_hive四-hive调优
TU_JCN的博客
11-04 288
大数据分析利器之hive 一、hive表的文件存储格式 Hive支持的存储数的格式主要有： TEXTFILE（行式存储） 、 SEQUENCEFILE(行式存储)、 ORC（列式存储）、 PARQUET（列式存储）。 1.1、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...
大数据离线分析之企业实战分享
weixin_51689029的博客
10-13 317
本次课程将结合大数据行业技术栈现状，为大家讲解企业中常用的离线分析。从如何使用大数据管理平台Cloudera Manager，到主流常用的分析模型，由浅入深逐步介绍，零基础小白也能听懂，对大数据感兴趣的小伙伴不要错过。【主讲内容】1.快速上手大数据管理平台CM2.详解主流离线分析引擎Presto3.大数据离线分析常用分析模型。
阿里云大数据利器Maxcompute学习之-假如你使用过hive
阿里云云栖号
01-23 2765
摘要： 如果您是一个大数据开发工程师并且使用过hadoop的hive框架，那么恭喜您，阿里云的大数据计算服务-Maxcompute，您已经会了90%。这篇文章就来简单对比下Maxcompute和hive的异同，来方便刚开始使用Maxcompute的用户，从hive秒速迁移到Maxcompute的使用上。点此查看原文：http://click.aliyun.com/m/40814/如果您是一个大数据...
数据时代的利器：深度剖析大数据工具
最新发布
weixin_43759894的博客
09-28 718
Spark提供了一套完整的大数据处理功能，包括Spark SQL、Spark Streaming、MLlib（机器学习）、GraphX（图计算）等，支持多种数据处理模式。Kafka具备高吞吐量、低延迟的特性，可以处理海量的实时数据流，广泛应用于实时数据分析、日志采集、消息传递等场景。通过对这些大数据工具的深入了解，我们可以发现，每个工具在处理不同类型的数据、应对不同业务需求时都有独特的优势和适用性。Hadoop非常适合处理大规模的离线数据，典型的应用场景包括日志数据分析、数据仓库、网站点击流分析等。
大数据新视界 --大数据大厂之 Kylin 多维分析引擎实战：构建数据立方体
青云交的博客
09-25 2048
本文深入介绍 Apache Kylin 多维分析引擎，涵盖其核心概念、与其他技术比较、应用策略、数据立方体构建过程、挑战与解决方案等。通过丰富的案例和代码示例，展示 Kylin 在电商、金融等领域的应用，为大数据分析提供高效解决方案。
初识Hive：大数据处理的利器
Hive是一个基于Hadoop的数据仓库工具，可以将结构化数据文件映射为一张数据库表，并提供类SQL查询功能来分析数据。Hive提供了一个类似于SQL的查询语言，称为HiveQL，用户可以通过HiveQL来编写查询，这些查询最终被...
【大数据处理利器】：Hadoop与Spark在数据分析中的应用案例分析
[【大数据处理利器】：Hadoop与Spark在数据分析中的应用案例分析](https://i-blog.csdnimg.cn/direct/910b5d6bf0854b218502489fef2e29e0.png) # 1. Hadoop与Spark基础概述 在第一章中，我们将探讨Hadoop与Spark的...
Spark与Hive集成实践：大数据仓库的利器
# 1. 引言 ## 1.1 介绍大数据仓库的概念与重要性 大数据仓库是指存储和管理大规模结构化和非结构化数据的系统。随着大数据时代的到来，企业和组织面临着海量数据的存储...Spark是一个快速、通用的大数据处理引擎，具
大数据服务器环境准备(三台服务)
qq_34577182的博客
02-26 2993
文章目录前言一、 三台linux服务器的安装1. 安装VmWare2. 通过Vmware安装第一台linux机器3. 为我们创建的linux虚拟机挂载操作系统4. 为我们的linux虚拟机设置网络配置5. 克隆第一台机器6. 更改克隆机器的IP地址总结 前言 本文主要记录大数据环境准备及hadoop和zookeeper集群搭建，服务器方面不缺钱可以直接买阿里云的ecs，这里用VmWare虚拟机作为示例。 提示：以下是本篇文章正文内容，下面案例可供参考 一、 三台linux服务器的安装 1. 安装VmWa
Hive insert overwrite时设置lzo压缩格式报错：NATIVE-LZO LIBRARY NOT AVAILABLE 解决方案
qq_34577182的博客
02-25 2361
最近在将hive中的临时表数据insert overwrite到ods表中去的时候，设置为lzo的压缩格式，报错如下： Caused by: java.lang.RuntimeException: native-lzo library not available 针对"native-lzo library not available" 异常即lzo安装的异常。 查了很多帖子，最终整合了解决方法。 1.将 HADOOP-LZO-0.4.20放到 每个机器的 /HADOOP-2.7.2/SHARE/HADO
大数据框架Hadoop：第一章 HDFS分布式文件系统(一)【NameNode和SecondaryNameNode】
qq_34577182的博客
12-13 2157
第一章 Hadoop 分布式文件系统HDFS 第一代大数据框架Hadoop由：HDFS分布式文件系统、MapReduce计算框架和YARN资源调度框架组成，本文为学习HDFS分布式文件系统时记录的学习笔记。 文章目录第一章 Hadoop 分布式文件系统HDFS前言一、什么是Hadoop?1.hadoop的发展历史起源介绍2.hadoop的发展历史起源构二、HDFS分布式文件系统1.分布式文件系统的理解2.hdfs的架构详细剖析1. 文件分块存储&3副本2. 抽象成数据块的好处3.HDFS架构3.h
大数据环境准备hadoop集群搭建(三节点)
qq_34577182的博客
03-01 1569
文章目录前言1. 安装大数据集群前的环境准备3. hadoop集群的安装2. hadoop集群的安装第一步：上传压缩包并解压第二步：查看hadoop支持的压缩方式以及本地库第三步：修改配置文件修改hadoop-env.sh修改core-site.xml修改hdfs-site.xml修改mapred-site.xml修改yarn-site.xml修改slaves文件第四步：创建文件存放目录第五步：安装包的分发scp第六步：配置hadoop的环境变量第七步：集群启动1. 格式化集群2. 脚本一键启动第八步：浏.
大数据分析利器之Hive(二)：Hive的动态分区、静态分区和分桶表
qq_34577182的博客
03-22 1178
系列文章目录 大数据分析利器之Hive(一) 大数据分析利器之Hive(二) 文章目录系列文章目录前言1.Hive的分桶表1.1 分桶表原理1.2 作用1.3 案例演示：创建分桶表2.Hive数据导入2.1 直接向表中插入数据（强烈不推荐使用）2.2 通过load加载数据（必须掌握）2.3 通过查询加载数据（必须掌握）2.4 查询语句中创建表并加载数据（as select）2.5 创建表时指定location2.6 export导出与import 导入 hive表数据（内部表操作）3. Hive数据导出
大数据数据库之HBase：集群安装部署
qq_34577182的博客
03-30 792
文章目录前言1. HBase集群安装部署1.1 准备安装包1.2 修改HBase配置文件1.2.1 hbase-env.sh1.2.2 hbase-site.xml1.2.3 regionservers1.2.4 back-masters1.3 分发安装包1.4 创建软连接1.5 添加HBase环境变量1.6 HBase的启动与停止1.7 访问WEB页面1.8 停止HBase集群总结 前言 Hive的学习告一段落，接下来开始了解大数据主流NoSql数据库HBase，本文主要讲解HBase集群的安装部署，为
优化Hive性能：大数据SQL分析利器
它允许用户使用标准的SQL语言对存储在Hadoop分布式文件系统（HDFS）或HBase等NoSQL数据库中的大量数据进行操作，实现了SQL分析功能，适用于各种规模的数据，包括传感器数据、移动数据、Web日志以及企业级操作数据。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值