计划把数据都保存到hbase中,而查询统计数据使用hive。在把数据灌入hbase中后,发现两个外部表的数据大概在200万和300万左右,join查询后报错,内存溢出。错误如下方
“默认情况下,Hive会自动将小表加到DistributeCache中,然后在Map扫描大表的时候,去和DistributeCache中的小表做join,这称为Mapjoin。”
这里意思是,因为查询的表是连接hbase后的外部表,所以在hive的存储目录中是空的目录,数据文件大小是0,所以hive将之视为小数据表,会把它加载到DistributeCache并进行mapjoin。但实际上数据量是很大的,结果就内存溢出了。
解决方法:
在hive中执行以下命令:
SET mapred.job.queue.name=queue3;
SET hbase.client.scanner.caching=10000;
SET hbase.zookeeper.quorum=node1,node2,node3,node4,node5;
SET zookeeper.znode.parent=/hbase;
SET hbase.regionserver.lease.period=180000;
SET hive.auto.convert.join=false;
SET hive.ignore.mapjoin.hint=false;
其中SET mapred.job.queue.name=queue3;是设置一个queue队列,我的hadoop没有配置队列,我也不太熟,直接改为SET mapred.job.queue.name=default;(貌似不执行就是default吧)
SET hbase.client.scanner.caching=10000;是设置hbase每次所描数据的记录个数,默认是1的,改了会有较大性能提升。
SET hbase.zookeeper.quorum=node1,node2,node3,node4,node5;设置zookeeper
SET zookeeper.znode.parent=/hbase;这个还不知道
set hbase.regionserver.lease.period=180000; 这个也不清楚
SET hive.auto.convert.join=false;关闭自动转化MapJoin,默认为true;
SET hive.ignore.mapjoin.hint=false;关闭忽略mapjoin的hints(不忽略,hints有效),默认为true(忽略hints)。
hive的sql执行后,内存溢出的日志信息如下:
Query ID = hadoop_20150826162508_4c06d5ea-0f33-485d-8e0d-904dc67f51b1
Total jobs = 1
Execution log at: /tmp/hadoop/hadoop_20150826162508_4c06d5ea-0f33-485d-8e0d-904dc67f51b1.log
2015-08-26 16:25:17 Starting to launch local task to process map join; maximum memory = 477102080
2015-08-26 16:27:09 Dump the side-table for tag: 1 with group count: 60765 into file: file: