一、Hive优化
大数据的学习：
1、学习工具及其原理（50%~70%）
2、学习重要的（java、scala、python、sql[mysql\hivesql\sparksql\flink sql]）(30%~40%)1、开启本地模式
大多数的Hadoop Job是需要Hadoop提供的完整的可扩展性来处理大数据集的。不过，有时Hive的输入数据量是非常小的。在这种情况下，为查询触发执行任务消耗的时间可能会比实际job的执行时间要多的多。对于大多数这种情况，Hive可以通过本地模式在单台机器上处理所有的任务。对于小数据集，执行时间可以明显被缩短。用户可以通过设置hive.exec.mode.local.auto的值为true，来让Hive在适当的时候自动启动这个优化。
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=10;2、explain分析SQL语句
explain：只有对hql语句的解释。
Explain extended：对hql语句的解释，以及抽象表达式树的生成
explain select * from emp;
explain extended select * from emp;explain select deptno, avg(salary) avg_sal from emp group by deptno;打印结果如下：
STAGE DEPENDENCIES:
-- 此处表示这个sql分为两步执行，第一步Stage-1 ，第二步Stage-0，Stage-0依赖于Stage-1
Stage-1 is a root stage
Stage-0 depends on stages: Stage-1
STAGE PLANS:
-- 执行第一步
Stage: Stage-1
Map Reduce -- 执行了MR任务
Map Operator Tree:-- Map阶段执行的任务树
TableScan -- 扫描表
alias: emp
Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
Select Operator -- 查询两个字段salary 和 deptno
expressions: salary (type: int), deptno (type: int)
outputColumnNames: salary, deptno
Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
-- 分组操作
Group By Operator
-- 聚合操作 算出总的薪水和薪水的总个数
aggregations: sum(salary), count(salary)
keys: deptno (type: int)
mode: hash
outputColumnNames: _col0, _col1, _col2
Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
Reduce Output Operator -- 输出操作
key expressions: _col0 (type: int)
sort order: +
Map-reduce partition columns: _col0 (type: int)
Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
value expressions: _col1 (type: bigint), _col2 (type: bigint)
Execution mode: vectorized
Reduce Operator Tree: -- Reduce操作的树
Group By Operator
aggregations: sum(VALUE._col0), count(VALUE._col1)
keys: KEY._col0 (type: int)
mode: mergepartial
outputColumnNames: _col0, _col1, _col2
Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
Select Operator
expressions: _col0 (type: int), (_col1 / _col2) (type: double)
outputColumnNames: _col0, _col1
Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
File Output Operator
compressed: false
Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
table:
input format: org.apache.hadoop.mapred.SequenceFileInputFormat
output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
Stage: Stage-0 -- 执行Stage-0
Fetch Operator --执行抓取操作
limit: -1 --没有什么限制
Processor Tree:
ListSink
Time taken: 0.79 seconds, Fetched: 53 row(s)1）stage 相当于一个job，一个stage可以是limit、也可以是一个子查询、也可以是group by等。
2）hive默认一次只执行一个stage，但是如果stage之间没有相互依赖，将可以并行执行。
3）任务越复杂，hql代码越复杂，stage越多，运行的时间一般越长。
我们可以通过explain关键字来分析一个语句，但作为一个初学者只需要知道可以通过explain分析即可，没有必要每一个语句都分析分析，而是应该把重心放在hql语句的业务编写上。
3、修改Fetch操作
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 employees;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【hive-site.xml】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。
<property>
<name>hive.fetch.task.conversion</name>
<value>more</value>
<description>
Expects one of [none, minimal, more].
Some select queries can be converted to single FETCH task minimizing latency.
Currently the query should be single sourced not having any subquery and should not have any aggregations or distincts (which incurs RS), lateral views and joins.
0. none : disable hive.fetch.task.conversion
1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only
2. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)
</description>
</property>举例说明：
hive (default)> set hive.fetch.task.conversion=none;
hive (default)> select * from emp;
hive (default)> select ename from emp;
hive (default)> select ename from emp limit 3;
（1）把hive.fetch.task.conversion设置成none，然后执行查询语句，都会执行mapreduce程序。
（2）把hive.fetch.task.conversion设置成more，然后执行查询语句，如下查询方式都不会执行mapreduce程序4、开启hive的严格模式【提高了安全性】
防止写的烂sql影响集群，比如 select * from emp;
开启严格模式以后，以下情况多报SQL错误！
1）分区表不使用分区过滤
2) 使用order by没有limit过滤
3) 笛卡尔积
5、JVM重用
Hadoop中有个参数是mapred.job.reuse.jvm.num.tasks，默认是1，表示一个JVM上最多可以顺序执行的task数目（属于同一个Job）是1。也就是说一个task启一个JVM ，这样JVM的效率就比较低，需要JVM重用。
比如：编写了一个sql语句，启动多少个mapTask，多少个reduceTask,取决于数据量的大小。
假如启动了100个MapTask,50个ReduceTask, 如果每一个task都启动一个jvm虚拟机的话，开启和关闭虚拟机需要消耗时间的。jvm重用就是一个虚拟机开启以后，执行多个task任务，再关闭。大大提高执行效率。<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>
也可以通过：set mapred.job.reuse.jvm.num.tasks=10;进行设置当然这个 JVM 重用也有缺点，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。
6、分区、分桶以及压缩
分区
分区表实际上就是对应一个 HDFS 文件系统上的独立的文件夹，该文件夹下是该分区所有的数据文件。 Hive 中的分区就是分目录，把一个大的数据集根据业务需要分割成小的数据集。
在查询时通过 WHERE 子句中的表达式选择查询所需要的指定的分区，这样的查询效率会提高很多，所以我们需要把常常用在 WHERE 语句中的字段指定为表的分区字段。
分桶
分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理的分区。对于一张表或者分区，Hive 可以进一步组织成桶，也就是更为细粒度的数据范围划分。
分桶是将数据集分解成更容易管理的若干部分的另一个技术。分区针对的是数据的存储路径，分桶针对的是数据文件。
压缩
分区、分桶是对hive数据进行更加细粒度的区分，压缩可以提高hive底层数据的传输效率，这些本身就是一种优化策略。
7、合理设置map和reduce的数量
合理设置map数量：
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。
2）map数不是越多越好
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。这种情况下就需要减少map数量！
3）每个map处理接近128m的文件块，也不一定就算完美
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。这种情况下就需要增加map数量。
4）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)))=blocksize=128M公式，调整maxSize最大值。即 让最大切片值maxSize最大值低于blocksize就可以增加map的个数。
假如一个任务的数量是500M，一个片假如是128M的话，就启动4个map任务
假如一个片假如是64M，就启动8个map任务，所以片的大小可以决定map的数量。实战一下：
比如：
hive (default)> select count(*) from emp;
Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 1
只有一个Map任务
设置最大切片值为100个字节
hive (default)> set mapreduce.input.fileinputformat.split.maxsize=100;
hive (default)> select count(*) from emp;
发现map任务数变为了6个。
Hadoop job information for Stage-1: number of mappers: 6; number of reducers: 1开启小文件进行合并：
1）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）。HiveInputFormat没有对小文件合并功能。
set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;2）在Map-Reduce的任务结束时合并小文件的设置+
在map-only任务结束时合并小文件，默认true
SET hive.merge.mapfiles = true;
在map-reduce任务结束时合并小文件，默认false
SET hive.merge.mapredfiles = true;
合并文件的大小，默认256M
SET hive.merge.size.per.task = 268435456;
当输出文件的平均大小小于该值时，启动一个独立的map-reduce任务进行文件merge
SET hive.merge.smallfiles.avgsize = 16777216;设置合理的reducer的个数
1）调整reduce个数方法一
（1）每个Reduce处理的数据量默认是256MB
hive.exec.reducers.bytes.per.reducer=256000000
（2）每个任务最大的reduce数，默认为1009
hive.exec.reducers.max=1009
（3）计算reducer数的公式
N=min(参数2，总输入数据量/参数1)
举例：假如数据量是512M
默认启动： 512/256= 2
假如我想启动更多的reduce怎么办？
可以修改参数1 为 128M ,或者直接修改 参数2 =3 最后启动reduce的数量为3。
2）调整reduce个数方法二
在hadoop的mapred-default.xml文件中修改
设置每个job的Reduce个数
set mapreduce.job.reduces = 15;
reduce个数并不是越多越好
（1）过多的启动和初始化reduce也会消耗时间和资源；
（2）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；
在设置reduce个数的时候也需要考虑这两个原则：
1--处理大数据量利用合适的reduce数；
2--使单个reduce任务处理数据量大小要合适8、设置并行执行
hive会将一个查询转化成一个或者多个阶段。这样的阶段可以是MapReduce阶段、抽样阶段、合并阶段、limit阶段。或者Hive执行过程中可能需要的其他阶段。默认情况下，Hive一次只会执行一个阶段。不过，某个特定的job可能包含众多的阶段，而这些阶段可能并非完全互相依赖的，也就是说有些阶段是可以并行执行的，这样可能使得整个job的执行时间缩短。不过，如果有更多的阶段可以并行执行，那么job可能就越快完成。通过设置参数hive.exec.parallel值为true，就可以开启并发执行。不过，在共享集群中，需要注意下，如果job中并行阶段增多，那么集群利用率就会增加。
set hive.exec.parallel=true; //打开任务并行执行
set hive.exec.parallel.thread.number=16; //同一个sql允许最大并行度，默认为8。设置该并行执行的前提是：集群的资源利用率不高的情况下。
9、CBO优化-成本优化器
select a., b., c.* from a join b on a.id = b.id join c on b.tt = c.tt; Hive 自 0.14.0 开始，加入了一项 "Cost based Optimizer" ,简称CBO，来对 HQL 执行计划进行优化，这个功能通过 "hive.cbo.enable" 来开启。在 Hive 1.1.0 之后，这个属性是默认开启的，它可以自动优化HQL中多个Join的顺序，并选择合适的Join算法。
CBO，成本优化器，代价最小的执行计划就是最好的执行计划。传统的数据库，成本优化器做出最优化的执行计划是依据统计信息来计算的。set hive.cbo.enable=true;
set hive.compute.query.using.stats=true;
set hive.stats.fetch.column.stats=true;
set hive.stats.fetch.partition.stats=true;（这个设置在Hive 3.0.0以后就被删除了）10、谓词下推
所谓的谓词下推就是将where条件提前执行，比如先执行where过滤数据在进行join关联表的表。
比如 student teacher 关联 假如只需要男生的数据，可以先过滤出来男生在跟teacher表关联
概念：所谓的谓词简单理解为where后面的条件，所谓谓词下推，就是保证结果正确的前提下，将SQL语句中的where谓词逻辑都尽可能提前执行，减少下游处理的数据量。
操作：对应逻辑优化器是PredicatePushDown，配置项为hive.optimize.ppd，默认为true。
好处：通过谓词下推，过滤条件将在map端提前执行，减少了map端的输出，降低了数据IO，节约资源，提升性能。举例说明：
-- 创建一个大表：
create table bigtable(
id bigint,
t bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url string)
row format delimited fields terminated by '\t';
-- 导入数据
load data local inpath '/home/hivedata/bigtable' into table bigtable;
--打开谓词下推优化属性
hive (yhdb)> set hive.optimize.ppd = true; #谓词下推，默认是true
-- 测试先关联两张表，再用where条件过滤
hive (yhdb)> select o.id from bigtable b join bigtable o on o.id = b.id where o.id <= 10;
Time taken: 3.648 seconds, Fetched: 1081 row(s)
-- 通过子查询后，再关联表
hive (yhdb)> select b.id from bigtable b join (select id from bigtable where id <= 10 ) o on b.id = o.id;
Time taken: 2.675 seconds, Fetched: 1081 row(s)11、小表Join大表-使用MapJoin
小表Join大表：Map Join 小表缓存并发送到各个节点，没有Shuffle的过程
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。
总结：
1）mapjoin --只有map没有reduce,当然也不会有shuffle
2) common join : 就是普通的join，走MR程序实战：
实战设置：
（1）设置自动选择Mapjoin
set hive.auto.convert.join = true; 默认为true
（2）大表小表的阈值设置（默认25M以下认为是小表）：
set hive.mapjoin.smalltable.filesize = 25000000;
一般情况下：小表放在join的左边，大表放右边，但是新版本的hive，放左放右无所谓了，它会自动优化。
hive的查询永远是小表(结果集)驱动大表(结果集)
hive中的on的条件只能是等值连接。12、大表和大表 SMB Join
SMB： sort merge bucket join
hive 的三种join
1、ReduceJoin 也叫 Common Join、Shuffle Join
2. MapJoin
3. Sort Merge Bucket Join(分桶表Join)-- 再创建一个大表
hive(default)> create table bigtable2(
id bigint,
t bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url string)
row format delimited fields terminated by '\t';
-- 加载数据
hive(default)> load data local inpath '/home/hivedata/bigtable' into table bigtable2;
-- 创建join表
create table jointable(
id bigint,
t bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url string)
row format delimited fields terminated by '\t';
-- 测试两个大表直接join: 此处花费时间非常的长
insert overwrite table jointable
select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable s
join bigtable2 b
on b.id = s.id;
-- 创建两个分桶表，并导入数据
create table bigtable_buck1(
id bigint,
t bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url string)
clustered by(id)
sorted by(id)
into 2 buckets -- 桶的个数和CPU核数和Reduce数需要一致
row format delimited fields terminated by '\t';
-- 导入第一个分桶表
insert into bigtable_buck1 select * from bigtable;
-- 创建第二个分桶表
create table bigtable_buck2 like bigtable_buck1;
-- 导入数据
insert into bigtable_buck2 select * from bigtable;
--开启SMB设置
hive(yhdb)> set hive.optimize.bucketmapjoin = true;
hive(yhdb)> set hive.optimize.bucketmapjoin.sortedmerge = true;
hive(yhdb)> set hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;
-- 两张大表关联
hive(yhdb)> insert overwrite table jointable
select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable_buck1 s
join bigtable_buck2 b
on b.id = s.id;
-- 对比两种方式总耗时时间，前提是需要进行分布式计算，不要在伪分布或本地模式下计算。假如有两个大表，如何join速度快，就是创建两个分桶表表，把大表的数据导入进去，然后让分桶表和分桶表进行join，速度会快，当然在执行之前，需要开启smb join的设置。13、可以在hive表上创建索引【了解】
索引：其实就是作用在数据库的一种算法，以mysql为例：
create table stu(
id int,
name varchar(20),
INDEX idx_name (id)
)
在某一个或者多个字段上添加索引，好处就是假如你的sql语句使用到了索引字段，查询速度会很快！
总而言之好处是提高查询效率。不加索引是自行车，加了索引是火箭！
索引不是越多越好，而是根据实际情况而定：
1、经常查询的字段加索引
2、多个表经常关联的字段加索引
3、主键天然是索引
4、一个表中假如有20个字段的话，最多4~5个字段加索引。
CREATE INDEX index_student2_class_id
ON TABLE student2 (class_id)
AS 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler'
WITH DEFERRED REBUILD
IDXPROPERTIES ('creator' = 'yhbigdata','created_at' = '2023-02-22 18:00:00')
IN TABLE INDEX index_student2_class_id_table
COMMENT 'index_student2';
假如以后的sql语句中出现class_id ，查询速度就变快了。
还需要进行设置才可以使用：
SET hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;
SET hive.optimize.index.filter=true;
hive的索引仅供参考，因为hive在3.0版本已经被删除，参考文献：
https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Indexing#LanguageManualIndexing-IndexingIsRemovedsince3.014、列裁剪与分区裁剪
sql语句在进行查询的时候不要全部查询，使用哪个字段就查询哪个字段，不要动不动就 * ;
需要哪个分区就查询哪个分区，不要全查。
列裁剪就是在查询时只读取需要的列，分区裁剪就是只读取需要的分区。当列很多或者数据量很大时，如果 select * 或者不指定分区，全列扫描和全表扫描效率都很低。
Hive 在读数据的时候，可以只读取查询中所需要用到的列，而忽略其他的列。这样做可以节省读取开销：中间表存储开销和数据整合开销。15、避免数据倾斜
1、数据倾斜的表现
数据倾斜是由于数据分布不均匀，造成数据大量的集中到一点，造成数据热点的现象。
主要表现：任务进度长时间维持在 99%或者 100%的附近，查看任务监控页面，发现只有少量 reduce 子任务未完成，因为其处理的数据量和其他的 reduce 差异过大。 单一 reduce 处理的记录数和平均记录数相差太大，通常达到好几倍之多，最长时间远大于平均时长。2、出现的原因
其实数据倾斜这个问题，在MapReduce编程模型中十分常见，根本原因就是大量相同的key被分配到一个reduce里（例如：要将a-q的有10条数据，q-z有100万条数据，这就造成第一个reduce几乎瞬间就能完成，而第二个reduce需要很长时间才能完成），造成一个reduce任务处理不过来，但是其他的reduce任务没有数据可以处理。下面罗列一下常见的数据倾斜有哪些原因 ：
1）数据类型不一致造成数据倾斜
情形：
比如用户表users中user_id字段为int，log表中user_id字段string类型。当按照user_id进行两个表的Join操作时。
解决方式：把数字类型转换成字符串类型
select * from users a
left outer join logs b
on a.usr_id = cast(b.user_id as string)2）数据中出现大量的null值
统计 a-p 放入一个文件 100
q-z 另一个文件中 200
其他类型 放入第三个文件中 100万分为两种情况，第一种情况，null值是异常值，就不应该出现，比如 userId 出现 null
对于异常值如果不需要的话，最好是提前在where条件里过滤掉，这样可以使计算量大大减少。实战：
-- 处理方式是在left join 前直接通过where条件过滤掉
select n.* from (select * from nullidtable where id is not null) n
left join bigtable o on n.id = o.id;第二种情况，出现null的数据不是异常数据，需要保留。
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。实战一下：
-- 设置reducer数量：
set mapreduce.job.reduces = 5;
-- 解决方案是给null值产生随机数
本来是真么写的，出现倾斜
-- 设置reducer数量：
set mapreduce.job.reduces = 5;
-- 解决方案是给null值产生随机数
select n.* from nullidtable n full join bigtable o on nvl(n.id,rand()) = o.id;
修改：
-- 设置reducer数量：
set mapreduce.job.reduces = 5;
-- 解决方案是给null值产生随机数
hive (default)> select rand();
OK
_c0
0.7662188287998238
select n.* from nullidtable n full join bigtable o on n.id = o.id;
select n.* from nullidtable n full join bigtable o on nvl(n.id,rand()) = o.id;
以上两条数据查询的结果是一样的。
思考：
本来 n id = null 不可能等于 o.id ,因为 o.id(正整数 1 2 3 4 5 1000等)3）单表group by 出现数据倾斜
导致数据倾斜的主要原因在于按照 Key 分组以后，少量的任务负责绝大部分数据
的计算，也就是说产生数据倾斜的 HQL 中一定存在分组操作，那么从 HQL 的角度，我们可以将数据倾斜分为单表携带了 GroupBy 字段的查询和两表（或者多表）Join 的查询。
解决方案：
第一种方案：使用参数优化
当任务中存在group by操作同时聚合函数为count或者sum，可以设置参数来处理数据倾斜的问题。
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。
突然让我们想起了Combine操作，就是运行在map端的reduce.1、是否在Map端进行聚合，默认为True
hive(default)> set hive.map.aggr = true
2、在Map端进行聚合操作的条目数目
hive(default)> set hive.groupby.mapaggr.checkinterval = 100000
3、有数据倾斜的时候进行负载均衡（默认是false）
hive(default)> set hive.groupby.skewindata = true
4、当开启数据负载均衡时，生成的查询计划会有两个MRJob。
第一个MRJob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MRJob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.第二种方案：增加Reduce数量
当数据中的多个key同时导致数据倾斜，可以通过增加reduce的数量解决数据倾斜问题
1）调整Reduce个数方法1：
① 每个Reduce处理的数据量默认是256MB
hive(default)> set hive.exec.reducers.bytes.per.reducer=256000000
② 每个任务最大的reduce数，默认为1009
hive(default)> set hive.exec.reducers.max=1009
③ 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2：
通过参数配置的方式（三种）直接指定reduce的个数，参数mapreduce.job.reduces。
hive(default)> set mapreduce.job.reduces = 15;4）多表join出现数据倾斜
解决方案一：使用参数解决
在编写 Join 查询语句时，如果确定是由于 join 出现的数据倾斜，那么请做如下设置：
#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
set hive.skewjoin.key=100000;
# 如果是join过程出现倾斜应该设置为true
set hive.optimize.skewjoin=false;
如果开启了，在Join过程中Hive会将计数超过阈值hive.skewjoin.key（默认100000）的倾斜key对应的行临时写进文件中，然后再启动另一个job做map join生成结果。
通过 hive.skewjoin.mapjoin.map.tasks参数还可以控制第二个job的mapper数量，默认10000。
set hive.skewjoin.mapjoin.map.tasks=10000;第二种解决方案：大小表join
可以使用MapJoin，没有Reduce阶段就不会出现数据倾斜，参考11.
还可以使用大表打散小表扩容的手段解决。
具体如下：首先看如下数据：
从上面的图可以得知，数据出现了倾斜。
使用大表打散小表扩容：
方案：
实操一下：
-- reduce个数设置为3个
hive (yhdb)> set mapreduce.job.reduces=3;
-- mapjoin关闭，否则会走mapjoin优化，看不到效果
hive (yhdb)> set hive.auto.convert.join=false;创建两个表：
create table student2(
class_id int,
name string
)
row format delimited
fields terminated by ','
tblproperties('bucketing_version'='3');
create table class(
id int,
class_name string
)
row format delimited
fields terminated by ','
tblproperties('bucketing_version'='3');
tblproperties：设置表的属性，一般存放一些不太重要的数据，比如作者，创建日期等
'bucketing_version'='3'：不是将数据分为三个桶，而是底层使用到了桶技术，可以帮助我们提高查询效率。删除也不影响。
导入数据：
student2.txt
10,张同学
10,李同学
10,王同学
10,闫同学
10,赵同学
10,米同学
11,杜同学
12,马同学
class.txt
10,bigdata2201
11,bigdata2202
12,bigdata2203
load data local inpath '/home/hivedata/student2.txt' overwrite into table student2;
load data local inpath '/home/hivedata/class.txt' overwrite into table class;优化前的现象：
-- 优化前：
insert overwrite local directory '/home/hivedata/out/test01'
row format delimited fields terminated by '\t'
select
s.class_id,
s.name,
c.class_name
from student2 s
join class c on s.class_id = c.id;
--查看运行结果，发现数据倾斜
[root@bigdata01 test01]# cat 000000_0
12 马同学 bigdata2203
[root@bigdata01 test01]# cat 000001_0
10 米同学 bigdata2201
10 赵同学 bigdata2201
10 闫同学 bigdata2201
10 王同学 bigdata2201
10 李同学 bigdata2201
10 张同学 bigdata2201
[root@bigdata01 test01]# cat 000002_0
11 杜同学 bigdata2202优化方案实战：
-- 给每一个class_id ，随机添加值 0 ，1， 2
hive (qfdb)> select *,concat(class_id,'_',floor(rand()*10)%3) pin_id from student2;
OK
10 张同学 10_0
10 李同学 10_0
10 王同学 10_1
10 闫同学 10_1
10 赵同学 10_2
10 米同学 10_0
11 杜同学 11_1
12 马同学 12_2
Time taken: 0.493 seconds, Fetched: 8 row(s)
-- 创建新表
-- 大表打散
create table student_test
tblproperties('bucketing_version'='3')
as select *,concat(class_id,'_',floor(rand()*10)%3) pin_id from student2;
-- 小表扩容
create table class_test
tblproperties('bucketing_version'='3')
as
select *,concat(id,'_','0') pin_id from class
union all
select *,concat(id,'_','1') pin_id from class
union all
select *,concat(id,'_','2') pin_id from class;
-- 重新join
insert overwrite local directory '/home/hivedata/out/test02'
row format delimited fields terminated by '\t'
select
s.class_id,
s.name,
c.class_name,
c.pin_id,
hash(c.pin_id)%3 parNum
from student_test s
join class_test c on s.pin_id = c.pin_id;
-- 查看结果
[root@bigdata01 test02]# cat 000000_0
10 闫同学 bigdata2201 10_0 0
10 李同学 bigdata2201 10_0 0
11 杜同学 bigdata2202 11_2 0
12 马同学 bigdata2203 12_1 0
[root@bigdata01 test02]# cat 000001_0
10 张同学 bigdata2201 10_1 1
[root@bigdata01 test02]# cat 000002_0
10 米同学 bigdata2201 10_2 2
10 赵同学 bigdata2201 10_2 2
10 王同学 bigdata2201 10_2 2
-- 由于每次随机的学生的id不尽相同，结果也略有不同！第三种解决方案：大表大表join
使用smb join解决，具体参考第12项。
扫一扫
491
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
