关于HIVE优化的四种方法总结

问题导读：
1、Hive整体架构优化点有哪些？
2、如何在MR阶段进行优化？
3、Hive在SQL中如何优化？
4、Hive框架平台中如何优化？



一、整体架构优化
现在hive的整体框架如下，计算引擎不仅仅支持Map/Reduce，并且还支持Tez、Spark等。根据不同的计算引擎又可以使用不同的资源调度和存储系统。
 

整体架构优化点：

1、根据不同业务需求进行日期分区，并执行类型动态分区。
相关参数设置：
0.14中默认hive.exec.dynamic.partition=ture

2、为了减少磁盘存储空间以及I/O次数，对数据进行压缩
相关参数设置：
job输出文件按照BLOCK以Gzip方式进行压缩。

[AppleScript]  纯文本查看  复制代码

?

1 2 3

mapreduce.output.fileoutputformat.compress = true mapreduce.output.fileoutputformat.compress.type = BLOCK mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.GzipCodec

map输出结果也以Gzip进行压缩。

[AppleScript]  纯文本查看  复制代码

?

1 2	mapreduce.map.output.compress = true mapreduce.map.output.compress.codec = org.apache.hadoop.io.compress.GzipCodec

对hive输出结果和中间结果进行压缩。

[AppleScript]  纯文本查看  复制代码

?

1 2	hive.exec.compress.output = true hive.exec.compress.intermediate = true

3、hive中间表以SequenceFile保存，可以节约序列化和反序列化的时间



相关参数设置：

hive.query.result.fileformat=SequenceFile



4、yarn优化，在此不再展开，后面专门介绍。



二、MR阶段优化



hive操作符有：

 



执行流程为：

 



reduce切割算法：



相关参数设置，默认为：

hive.exec.reducers.max=999

hive.exec.reducers.bytes.per.reducer=1G 

reduce task num=min{reducers.max,input.size/bytes.per.reducer}，可以根据实际需求来调整reduce的个数。



三、JOB优化

1、本地执行



默认关闭了本地执行模式，小数据可以使用本地执行模式，加快执行速度。

相关参数设置：

hive.exec.mode.local.auto=true 



默认本地执行的条件是，hive.exec.mode.local.auto.inputbytes.max=128MB， hive.exec.mode.local.auto.tasks.max=4，reduce task最多1个。 性能测试：

数据量（万）     操作     正常执行时间（秒)     本地执行时间（秒）

170     group by     36     16

80     count     34     6



2、mapjoin



默认mapjoin是打开的， hive.auto.convert.join.noconditionaltask.size=10MB



装载到内存的表必须是通过scan的表（不包括group by等操作），如果join的两个表都满足上面的条件，/mapjoin/指定表格不起作用，只会装载小表到内存，否则就会选那个满足条件的scan表。



四、SQL优化



整体的优化策略如下：

•     去除查询中不需要的column
•     Where条件判断等在TableScan阶段就进行过滤
•     利用Partition信息，只读取符合条件的Partition
•     Map端join，以大表作驱动，小表载入所有mapper内存中
•     调整Join顺序，确保以大表作为驱动表
•     对于数据分布不均衡的表Group by时，为避免数据集中到少数的reducer上，分成两个map-reduce阶段。第一个阶段先用Distinct列进行shuffle，然后在reduce端部分聚合，减小数据规模，第二个map-reduce阶段再按group-by列聚合。
•     在map端用hash进行部分聚合，减小reduce端数据处理规模。
  

五、平台优化

1、hive on tez

 



2、spark SQL大趋势

 



总结

上面主要介绍一些优化思想，有些优化点没有详细展开，后面分别介绍yarn的优化细节、SQL详细的优化实例以及我们在Tez、spark等框架优化结果。最后用一句话共勉：边coding，边优化，优化无止境。



来源：github

作者：jacksu