一、Hive常见优化方式
Hive调优-建表注意事项
1.分区,分桶
一般是按照业务日期进行分区
每天的数据放在一个分区里
2.一般使用外部表,避免数据误删
Hive映射HBase表的几种方式
Hive与es之间实现数据交互
3.选择适当的文件压缩格式
4.命名要规范
5.数据分层,表分离,但是也不要分的太散
Hive调优-查询优化
分区裁剪 where过滤,先过滤,后jion
分区分桶,合并小文件
适当的子查询
mapjoin(1.2以后自动默认启动mapjoin)
select /*+mapjoin(b)*/ a.xx,b.xxx from a left outer join b on a.id=b.id
左连的时候,大表在左边,小表在右边
大数据计算服务Maxcompute之–mapjoin原理和使用
order by 语句: 是全局排序
sort by 语句: 是单reduce排序
distribute by语句: 是分区字段排序;
cluster by语句:
可以确保类似的数据的分发到同一个reduce task中,并且保证数据有序防止所有的数据分发到同一个reduce上,导致整体的job时间延长
cluster by语句的等价语句:
distribute by Word sort by Word ASC
二、Hive数据倾斜及解决办法
1.数据倾斜解决
看下key的分布
处理集中的key
原因
1).key分布不均匀(实际上还是重复) 比如 group by 或者 distinct的时候
2).数据重复,join 笛卡尔积 数据膨胀
表现
任务进度长时间维持在99%(或100%),查看任务监控页面,发现只有少量(1个或几个)reduce子任务未完成。因为其处理的数据量和其他reduce差异过大。
单一reduce的记录数与平均记录数差异过大,通常可能达到3倍甚至更多。 最长时长远大于平均时长。
解决方案:
1,看下业务上,数据源头能否对数据进行过滤,比如 key为 null的,业务层面进行优化。
2,找到key重复的具体值,进行拆分,hash。异步求和
Hive调优-作业优化
调整mapper和reducer的数量
太多map导致启动产生过多开销
按照输入数据量大小确定reducer数目set mapred.reduce.tasks= 默认3
dfs -count /分区目录/
hive.exec.reducers.max设置阻止资源过度消耗
参数调节
set hive.map.aggr = true (hive2默认开启)
Map 端部分聚合,相当于Combiner
hive.groupby.skewindata=true