Hive优化核心思想
把HiveSQL当做Mapreduce程序运行
Hive运行方式
集群模式
本地运行(测试环境)
#开启本地模式
set hive.exec.mode.local.auto=true;
满足以下条件才能真正使用本地模式
①输入数据大小必须小于参数:
hive.exec.mode.local.auto.inputbytes.max(默认128MB)
②map数必须小于参数:
hive.exec.model.local.auto.tasks.max(默认4)
③reduces数必须为0或者1
开启并行模式
#开启并行模式
set hive.exec.parallel=true
#一次SQL计算中允许并行执行的job个数的最大值
hive.exec.parallel.thread.number
注意:hive.exec.parallel.thread.number不是越大越好,根据情况而定
开启严格模式
#开启严格模式(默认为:nonstrict非严格模式)
set hive.mapred.mode=strict;
查询限制
1、对于分区表,必须添加where对于分区字段的条件过滤(防止暴力扫描全表);
2、order by语句必须包含limit输出限制;
3、限制执行笛卡尔积的查询
Hive排序
Order By
对于查询结果做全排序,只允许有一个reduce处理(当数据量较大时,应慎用)
Sort By
对于单个reduce的数据进行排序
Distribute By
分区,经常和Sort By结合使用达到分区排序的效果
Cluster By
相当于Sort By+Distribute By(Cluster By不能通过asc、desc的方式指定排序规则,可通过distribute by column sort by column asc|desc的方式)
Hive Join
Join计算时,将小表(驱动表)放在join的左边
Map Join:在Map端完成Join
两种实现方式:
① SQL方式,在SQL语句中添加Map Join标记(map join hint)
语法:
SELECT /+MAPJOIN(smallTable)/smallTable.key, bigTable.value
FROM smallTable JOIN bigTable ON smallTable.key = bigTable.key
②开启自动的Mapjoin
#开启Hive join(Hive 自动对左边的表统计数据量,如果 小表就加入内存,即对小表使用Map join)
set hive.auto.convert.join = true
相关配置参数:
#大表小表判断的阈值,如果表的大小小于该值则会被加载到内存中运行
hive.mapjoin.smalltable.filesize;
#忽略mapjoin hint即mapjoin标记(默认true)
hive.ignore.mapjoin.hint
#将普通的join转化为普通的mapjoin时,是否将多个mapjoin转化为一个mapjoin(默认值为true)
hive.auto.convert.join.nocondwitionaltask
#将多个mapjoin转化为一个mapjoin时,表的最大值
hive.auto.convert.join.nocondwitionaltask.size
Map-Side聚合
通过设置以下参数开启在Map端的聚合 combiner:
set hive.map.aggr=true;
相关配置参数:
hive.groupby.mapaggr.checkinterval: 默认100000
map端group by执行聚合后产生的最大记录数(默认:100000)
hive.map.aggr.hash.min.reduction:默认0.5
进行聚合的最小比例(预先对100000条数据做聚合,若聚合之后的数据量/100000的值大于该配置0.5,则不会聚合)
hive.map.aggr.hash.percentmemory: 默认0.5
map端聚合使用的内存占总内存的比例
hive.map.aggr.hash.force.flush.memory.threshold:默认0.9
map端做聚合操作是hash表的最大可用内容,大于该值则会触发flush
hive.groupby.skewindata
是否对GroupBy产生的数据倾斜做优化,默认为false
控制Hive中Map以及Reduce的数量
Map数量相关的参数
#一个split的最大值,即每个map处理文件的最大值
mapred.max.split.size
# 一个节点上split的最小值
mapred.min.split.size.per.node
# 一个机架上split的最小值
mapred.min.split.size.per.rack
Reduce数量相关的参数
#强制指定reduce任务的数量
mapred.reduce.tasks
#每个reduce任务处理的数据量
hive.exec.reducers.bytes.per.reducer 默认 256M
#每个任务最大的reduce数
hive.exec.reducers.max 默认1009
Hive - JVM重用
适用场景:
1、小文件个数过多
2、task个数过多
通过 set mapred.job.reuse.jvm.num.tasks=n; 来设置
(n为task插槽个数)
缺点:设置开启之后,task插槽会一直占用资源,不论是否有task运行,直到所有的task即整个job全部执行完成时,才会释放所有的task插槽资源!