七、Hive数据仓库应用之Hive优化（超详细步骤指导操作，WIN10，VMware Workstation 15.5 PRO，CentOS-6.7）

Hive远程模式部署参考：
一、Hive数据仓库应用之Hive部署（超详细步骤指导操作，WIN10，VMware Workstation 15.5 PRO，CentOS-6.7）

一、Hive存储优化

Hive中底层数据是以文件的形式存储在Hadoop的HDFS中，不同文件存储格式不仅对存储空间占用的大小有所不同，而且对HiveQL语句的执行性能也有所不同，因此根据实际应用场景选择合理的文件存储格式就显得尤为重要。Hive中常见的文件存储格式如下：

文件存储格式	存储方式	自身支持压缩	支持分片	加载数据方式
TextFile	行式存储	否	否	LOAD和INSERT
SequenceFile	列式存储	是	是	INSERT
ORCFile	行式存储	是	是	INSERT

TextFile是Hive默认文件存储格式。
SequenceFile将数据存储为序列化的键值对形式，其中值为原始数据，键为生成的内容。SequenceFile支持两种压缩RECORD和BLOCK，其中RECORD表示只对值进行压缩，BLOCK表示键值都会被压缩。
ORCFile支持两种压缩ZLIB和SNAPPY，其中ZLIB压缩率比较高；SNAPPY压缩和解压的速度比较快。在实际的生产环境中，一般使用ORCFile和ZLIB或者SNAPPY相组合的方式设置Hive表的存储及压缩格式。

例如在创建Hive时指定存储格式为ORCFile并执行压缩格式为Snappy，其指令如下：

CREATE TABLE log_orc_snappy(
track_time STRING,
url STRING,
session_id STRING,
referer STRING,
ip STRING)
ROW FORMAT DELIMITED 
FIELDS TERMINATED BY ','
LINES TERMINATED BY '\n'
STORED AS ORC 
TBLPROPERTIES ("orc.compress"="SNAPPY");

上述指令中，最后两个依次表示存储格式为ORCFile，压缩方式为SNAPPY。

二、Hive参数优化

Hive参数优化是指通过调整Hive默认的参数配置，以达到提升Hive性能的效果。Hive参数配置主要分为临时配置和永久配置，其中临时配置是指在Hive客户端通过set命令指定配置参数及配置参数的值，若当前客户端退出，则配置自动消失；永久配置是指在Hive的配置文件hive-site.xml中配置相关参数。

1、配置MapReduce压缩

MapReduce任务在执行过程中，会涉及将中间数据写入磁盘的操作，为了减少磁盘IO和网络IO的开销，通常使用压缩速度较快的压缩格式，如Snappy，从而提升Hive性能。
配置MapReduce的常用参数如下：
mapreduce.map.output.compress：默认值为false，用于启动Map输出压缩，若开启则需要设置参数值为True。
mapreduce.map.output.compress.codec：默认参数为org.apache.hadoop.io.compress.DefaultCodec，用于设置Map输出压缩编码解码器，推荐使用Snappy，设置参数为org.apache.hadoop.io.compress.SnappyCodec。
mapreduce.output.fileoutputformat.compress：默认值为false，用于开启Mapreduce输出压缩，若开启则设置参数值为True。
mapreduce.output.fileoutputformat.compress.codec：默认参数为org.apache.hadoop.io.compress.DefaultCodec，用于设置MapReduce输出压缩编码解码器，推荐使用Snappy。
mapreduce.output.fileoutputformat.compress.type：用于设置MapReduce输出压缩方式，除默认值RECORD外可以配置NONE和BLOCK，其中BLOCK针对一组记录进行批量压缩，压缩效率更高。
hive.exec.compress.intermediate：默认值为false，用于控制Hive在多个MapReduce作业之间生成的中间文件是否被压缩，其中压缩编码解码器与mapreduce.output.fileoutputformat.compress.codec一致，若开启需要设置参数值为True。
hive.exec.compress.output：默认值为false，用于控制是否压缩Hive查询的最终输出，其压缩编码解码器与mapreduce.output.fileoutputformat.compress.codec一致，若开启需要设置参数值为True。

以开启Map输出压缩为例，若使用客户端临时配置，指令如下：

set mapreduce.map.output.compress=true;

若进行永久配置，则需要在配置文件hive-site.xml文件中添加如下配置内容。

<property>
	<name>mapreduce.map.output.compress</name>
	<value>true</value>
</property>

其中配置文件hive-site.xml的路径如下，使用vi指令对其进行编辑即可。

2、配置Map个数

默认情况下Map个数由数据文件个数、数据文件大小和BlockSize（默认值为128MB）决定，当数据文件大于BlockSize时，MapReduce会根据BlockSize进行切分。
Map规格书需要根据实际应用场景进行设置，当数据文件较大时，通过增加Map的个数实现并行处理，从而提高效率。当存在多个小数据文件或者系统资源有限的情况下，减少Map个数可以做到对系统资源的合理运用。
在Hive中可以通过参数mapred.min.split.size和mapred.map.tasks控制Map个数，前者表示控制分片最小单元，默认为1B，当设置该值大于BlockSize时，则可以起到减少Map个数的作用；后者表示指定Map个数，主要用于增加Map个数。
以调整分片最小单元等于300M为例，若使用Hive客户端临时配置Map个数，则可以执行下列命令：

set mapred.min.split.size=300000000;

若需要永久配置Map个数，则需要在Hive配置文件hive-site.xml中添加如下配置内容。

<property>
	<name>mapred.max.split.size</name>
	<value>300000000</value>
</property>

3、配置reduce个数

Reduce的个数对整个作业的运行性能有很大影响，若Reduce的个数设置过多，那么Mapreduce运行结果会产生很多的小文件，对Namenode会产生一定影响，同时启动和初始化Reduce也会消耗时间和资源。如果Reduce个数设置的过小，那么单个Reduce处理的数据将会加大，会影响运行效率。
在Hive中可以使用参数mapreduce.job.reduces设置Reduce个数，这里以调整Reduce个数等于3为例，若使用Hive客户端临时配置Reduce个数，则可以执行下列命令：

set mapreduce.job.reduces=3;

若需要永久配置Reduce个数，则需要在Hive配置文件hive-site.xml中添加如下配置内容。

<property>
	<name>mapreduce.job.reduces</name>
	<value>3</value>
</property>

4、配置合并文件

在执行HiveQL语句时，每个数据文件会交给一个Map去处理，如果存在多个小数据文件，就需要将多个小数据文件先进行合并，然后交给一个Map处理，以此避免启动多个Map造成不必要的资源浪费。
在Hive中可以通过参数hive.input.format设置Map执行前合并小文件，使用Hive客户端临时配置合并文件，则可以执行下列命令：

set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

若需要永久配置合并文件，则需要在Hive配置文件hive-site.xml中添加如下配置内容。

<property>
	<name>hive.input.format</name>
	<value>org.apache.hadoop.hive.ql.io.CombineHiveInputFormat</value>
</property>

5、配置并行执行

Hive在执行复杂HiveQl语句时，会涉及到多个任务，默认情况下每个任务是按照先后顺序执行的，若果每个人物没有前后依赖关系，那么可以通过并发执行的方式使多个任务同时执行，从而缩短HiveQL语句的执行时间。
在Hive中可以将参数hive.exec.parallel的参数值设置为true开启Hive并行执行，若使用Hive客户端临时配置并行执行，则可以执行下列命令：

set hive.exec.parallel=true;

若需要永久配置并行执行，则需要在Hive配置文件hive-site.xml中添加如下配置内容。

<property>
	<name>hive.exec.parallel</name>
	<value>true</value>
</property>

6、配置本地模式

Hadoop通常部署的是完全分布式模式，Hive在涉及MapReduce任务的操作时会调用集群中的MapReduce去执行，不过有的时候Hive输入的数据量非常小，使用集群中的MapReduce去执行任务反而会浪费资源且增加运行时间，因此可以在Hive中通过参数hive.exec.mode.local.auto让Hive在适当的时候启动本地MapReduce去执行Hive任务，以达到缩减执行时间的目的，将该参数值设置为true即可：

set hive.exec.mode.local.auto=true;

若需要永久配置本地模式，则需要在Hive配置文件hive-site.xml中添加如下配置内容。

<property>
	<name>hive.exec.mode.local.auto</name>
	<value>true</value>
</property>

7、配置分组

GROUP BY语句会将Map阶段Key值相同的数据发送到一个Reduce中处理，当某一个Key中的数据过多时，便会出现数据倾斜的情况。在Hive中我们可以设置参数hive.groupby.skewindata的参数值为true，这样当出现数据倾斜的情况时Hive会自动进行负载均衡。
若使用Hive客户端临时配置分组， 则可以执行下列命令：

set hive.groupby.skewindata=true;

若需要永久配置分组，则需要在Hive配置文件hive-site.xml中添加如下配置内容。

<property>
	<name>hive.groupby.skewindata</name>
	<value>true</value>
</property>

三、HiveQL语句优化技巧

HiveQL语句优化技巧指的是使用HiveQL语句处理大数据时通过调整HiveQL语句格式，从而提高HiveQL语句的执行效率，涉及到的几种优化技巧如下：

1. 尽量避免使用笛卡儿积JOIN，因为笛卡尔积JOIN只能使用一个Reduce去处理，当处理大量数据时一个Reduce处理会增加处理时间。、
2. 使用JOIN语句时，添加NULL的过滤条件，避免NULL参与没必要的JOIN操作，从而缩减JOIN语句操作时间。
3. 少用“SELECT *”的形式查询所有列，尽量使用“SELECT Col1、Col2…”的形式查询某一或某几列，从而避免查询所有数据。
4. 使用JOIN语句时，若需要通过WHERE子句过滤数据则WHERE子句建议写在子查询中。
5. 尽量不使用COUNT(DISTINCT)实现去重统计，因为该方式只会使用一个Reduce来处理，当处理大量数据时一个Reduce处理会增加处理时间，建议使用GROUP BY子句加COUNT()聚合函数的方式替代。

参考文献：黑马程序员.Hive数据仓库应用[M].北京：清华大学出版社,2021.