文章目录
一、 控制hive任务中的map数:
- 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(目前为128M, 可在hive中通过set dfs.block.size;命令查看到,该参数不能自定义修改); - 举例:
- 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
- 假设input目录下有3个文件a,b,c,大小分别为10m,20m,130m,那么hadoop会分隔成4个块(10m,20m,128m,2m),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。
- 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。 - 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3和4,我们需要采取两种方式来解决:即减少map数和增加map数;
如何合并小文件,减少map数?
假设一个SQL任务:
Select count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’;
该任务的inputdir
/group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04
共有194个文件,其中很多是远远小于128m的小文件,总大小9G,正常执行会用194个map任务。
Map总共消耗的计算资源: SLOTS_MILLIS_MAPS= 623,020
我通过以下方法来在map执行前合并小文件,减少map数:
set mapred.max.split.size=100000000;
set mapred.min.split.size.per.node=100000000;
set mapred.min.split.size.per.rack=100000000;
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
再执行上面的语句,用了74个map任务,map消耗的计算资源:SLOTS_MILLIS_MAPS= 333,500
对于这个简单SQL任务,执行时间上可能差不多,但节省了一半的计算资源。
大概解释一下,100000000表示100M, 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,最终生成了74个块。
如何适当的增加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。
假设有这样一个任务:
Select data_desc,
count(1),
count(distinct id),
sum(case when …),
sum(case when ...),
sum(…)
from a group by data_desc;
如果表a只有一个文件,大小为120M,但包含几千万的记录,如果用1个map去完成这个任务,肯定是比较耗时的,这种情况下,我们要考虑将这一个文件合理的拆分成多个,
这样就可以用多个map任务去完成。
set mapred.reduce.tasks=10;
create table a_1 as
select * from a
distribute by rand(123);
这样会将a表的记录,随机的分散到包含10个文件的a_1表中,再用a_1代替上面sql中的a表,则会用10个map任务去完成。
每个map任务处理大于12M(几百万记录)的数据,效率肯定会好很多。
看上去,貌似这两种有些矛盾,一个是要合并小文件,一个是要把大文件拆成小文件,这点正是重点需要关注的地方,
根据实际情况,控制map数量需要遵循两个原则:使大数据量利用合适的map数;使单个map任务处理合适的数据量;
二、 控制hive任务的reduce数:
1. Hive自己如何确定reduce数:
reduce个数的设定极大影响任务执行效率,不指定reduce个数的情况下,Hive会猜测确定一个reduce个数,基于以下两个设定:
hive.exec.reducers.bytes.per.reducer(每个reduce任务处理的数据量,默认为1000^3=1G)
hive.exec.reducers.max(每个任务最大的reduce数,默认为999)
计算reducer数的公式很简单N=min(参数2,总输入数据量/参数1)
即,如果reduce的输入(map的输出)总大小不超过1G,那么只会有一个reduce任务;
如:select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt;
/group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04 总大小为9G多,因此这句有10个reduce
2. 调整reduce个数方法一
调整hive.exec.reducers.bytes.per.reducer参数的值;
set hive.exec.reducers.bytes.per.reducer=500000000; (500M)
select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt; 这次有20个reduce
3. 调整reduce个数方法二
set mapred.reduce.tasks = 15;
select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt;这次有15个reduce
4. reduce个数并不是越多越好;
同map一样,启动和初始化reduce也会消耗时间和资源;
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;
5. 什么情况下只有一个reduce;
很多时候你会发现任务中不管数据量多大,不管你有没有设置调整reduce个数的参数,任务中一直都只有一个reduce任务;
其实只有一个reduce任务的情况,除了数据量小于hive.exec.reducers.bytes.per.reducer参数值的情况外,还有以下原因:
- 没有group by的汇总,比如把select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt; 写成 select count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’;
这点非常常见,希望大家尽量改写。 - 用了Order by
- 有笛卡尔积
通常这些情况下,除了找办法来变通和避免,我暂时没有什么好的办法,因为这些操作都是全局的,所以hadoop不得不用一个reduce去完成;
同样的,在设置reduce个数的时候也需要考虑这两个原则:使大数据量利用合适的reduce数;使单个reduce任务处理合适的数据量。
三、 hive参数调优
set hive.exec.parallel=true;
set hive.exec.parallel=true;
set mapred.max.split.size=128000000;
set mapred.min.split.size.per.node=128000000;
set mapred.min.split.size.per.rack=128000000;
set hive.merge.size.per.task = 64000000;
set hive.merge.smallfiles.avgsize=100000000;
set hive.exec.reducers.bytes.per.reducer=512000000;
调整map处理文件的大小可以改变map的个数,map个数越大,处理越快,占用内存多。默认:set mapred.max.split.size=100000000
1. Map Reduce数量相关
- 数据分片大小 (分片的数量决定map的数量)
计算公式: splitSize = Math.max(minSize, Math.min(maxSize, blockSize))
set mapreduce.input.fileinputformat.split.maxsize=750000000;
- 单个reduce处理的数据量 (影响reduce的数量)
计算公式: Max(1, Min(hive.exec.reducers.max [1099], ReducerStage estimate/hive.exec.reducers.bytes.per.reducer)) x hive.tez.max.partition.factor
set hive.exec.reducers.bytes.per.reducer=629145600; //默认值:1000000000 (1G)
- tez将会根据vertice的输出大小动态预估调整reduce的个数
set hive.tez.auto.reducer.parallelism = true;
2. 执行计划相关
- hive执行引擎 mr/tez/spark
set hive.execution.engine=mr;
- 调整Join顺序,让多次Join产生的中间数据尽可能小,选择不同的Join策略
set hive.cbo.enable=true;
- 如果数据已经根据相同的key做好聚合,那么去除掉多余的map/reduce作业
set hive.optimize.reducededuplication=true;
- 如果一个简单查询只包括一个group by和order by,此处可以设置为1或2
set hive.optimize.reducededuplication.min.reducer=4;
- Map Join优化, 不太大的表直接通过map过程做join
set hive.auto.convert.join=true;
set hive.auto.convert.join.noconditionaltask=true;
- Map Join任务HashMap中key对应value数量
set hive.smbjoin.cache.rows=10000;
- 可以被转化为HashMap放入内存的表的大小(官方推荐853M)
set hive.auto.convert.join.noconditionaltask.size=894435328;
- map端聚合(跟group by有关), 如果开启, Hive将会在map端做第一级的聚合, 会用更多的内存
参考: http://dmtolpeko.com/2014/10/13/map-side-aggregation-in-hive/
开启这个参数 sum(1)会有类型转换问题
set hive.map.aggr=false;
- 所有map任务可以用作Hashtable的内存百分比, 如果OOM, 调小这个参数(官方默认0.5)
set hive.map.aggr.hash.percentmemory=0.5;
- 将只有SELECT, FILTER, LIMIT转化为FETCH, 减少等待时间
set hive.fetch.task.conversion=more;
set hive.fetch.task.conversion.threshold=1073741824;
- 聚合查询是否转化为FETCH
set hive.fetch.task.aggr=false;
- 如果数据按照join的key分桶,hive将简单优化inner join(官方推荐关闭)
set hive.optimize.bucketmapjoin= false;
set hive.optimize.bucketmapjoin.sortedmerge=false;
- 向量化计算
参考:https://cwiki.apache.org/confluence/display/Hive/Vectorized+Query+Execution
如果开启, sum(if(a=1,1,0))这样的语句跑不过
set hive.vectorized.execution.enabled=false;
set hive.vectorized.execution.reduce.enabled=false;
set hive.vectorized.groupby.checkinterval=4096;
set hive.vectorized.groupby.flush.percent=0.1;
3. 动态分区相关
- hive0.13有个bug, 开启这个配置会对所有字段排序
set hive.optimize.sort.dynamic.partition=false;
- 以下两个参数用于开启动态分区
set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;
4. 小文件相关
- 合并小文件
set hive.merge.mapfiles=true;
set hive.merge.mapredfiles=true;
set hive.merge.tezfiles=true;
set hive.merge.sparkfiles=false;
set hive.merge.size.per.task=536870912;
set hive.merge.smallfiles.avgsize=536870912;
set hive.merge.orcfile.stripe.level=true;
5. ORC相关
参考https://orc.apache.org/docs/hive-config.html
- 如果开启将会在ORC文件中记录metadata
set hive.orc.splits.include.file.footer=false;
- ORC写缓冲大小
set hive.exec.orc.default.stripe.size=67108864;
6. 统计相关
- 新创建的表/分区是否自动计算统计数据
set hive.stats.autogather=true;
set hive.compute.query.using.stats=true;
set hive.stats.fetch.column.stats=true;
set hive.stats.fetch.partition.stats=true;
- 手动统计已经存在的表
ANALYZE TABLE COMPUTE STATISTICS;
ANALYZE TABLE COMPUTE STATISTICS for COLUMNS;
ANALYZE TABLE partition (coll=”x”) COMPUTE STATISTICS for COLUMNS;
7. 其他
- 在order by limit查询中分配给存储Top K的内存为10%
set hive.limit.pushdown.memory.usage=0.1;
- 是否开启自动使用索引
set hive.optimize.index.filter=true;
- 获取文件块路径的工作线程数
set mapreduce.input.fileinputformat.list-status.num-threads=5;
8. JVM内存溢出,参数调整
mapred.map.child.java.opts=-Xmx2048m (默认参数,表示jvm堆内存)
mapreduce.map.memory.mb=2304 (默认参数,表示整个jvm进程占用的内存:堆内存+堆外内存=2048+256)
mapreduce.map.memory.mb是向RM申请的内存资源大小,这些资源可用用于各种程序语言编写的程序, mapred.map.child.java.opts 一般只用于配置JVM参数
- Map Memory
mapreduce.map.java.opts
mapreduce.map.memory.mb - Reduce Memory
mapreduce.reduce.java.opts
mapreduce.reduce.memory.mb