Hive的优化

小王同学mf

于 2024-09-12 17:28:14 发布

阅读量1.3k

点赞数 41

文章标签： hive hadoop 数据仓库

本文链接：https://blog.csdn.net/wadjdkdkdjjd/article/details/142180804

版权

一、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;

二、explain分析SQL语句

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。

三、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 users;

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>

四、开启hive的严格模式【提高了安全性】

1）分区表不使用分区过滤

select * from emp where day='20231001'

2) 使用order by没有limit过滤

3) 笛卡尔积不允许出现 select * from emp,dept ;

五、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

六、分区、分桶以及压缩

七、合理设置map和reduce的数量

八、设置并行执行

hive会将一个查询转化成一个或者多个阶段（Stage）。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.

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。

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。

九、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）

十、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：


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)

十一、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 （shuffle join） : 就是普通的join，走MR程序

select * from dept join emp on emp.detpno = dept.deptno;

十二、大表和大表 SMB Join

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。

十三、在hive表上创建索引

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
select * from emp ,dept where emp.deptno= dept.deptno;
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。
添加索引查询速度变快，插入速度变慢

十四、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。
-- 列裁剪
select name,age from emp;
-- 分区裁剪
select * from emp where dept='技术部';