hive任务优化、参数调优

一、 控制hive任务中的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(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)；
2. 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。

3. 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。
4. 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

1. 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;

2. 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）

3. 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

1. hive执行引擎 mr/tez/spark

set hive.execution.engine=mr;

2. 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;

3. 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;

4. 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;

5. 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;

6. Map Join任务HashMap中key对应value数量

set hive.smbjoin.cache.rows=10000;

7. 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;

8. 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;

9. 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;

10. 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;

11. 聚合查询是否转化为FETCH

set hive.fetch.task.aggr=false;

12. 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;

13. 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

1. 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;

2. 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

1. 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

1. 如果开启将会在ORC文件中记录metadata

set hive.orc.splits.include.file.footer=false;

2. ORC写缓冲大小

set hive.exec.orc.default.stripe.size=67108864;

6. 统计相关

1. 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;

2. 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

1. 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;

2. 是否开启自动使用索引

set hive.optimize.index.filter=true;

3. 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