HIVE调优总结

一、查看执行计划
explain extended hql;可以看到扫描数据的hdfs路径

二、hive表优化

分区(不同文件夹):
动态分区开启:
set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;

   默认值:strict
   描述:strict是避免全分区字段是动态的,必须有至少一个分区字段是指定有值的

   避免产生大量分区

分桶(不同文件):
set hive.enforce.bucketing=true;
set hive.enforce.sorting=true;开启强制排序,插数据到表中会进行强制排序,默认false;

三、Hive SQL优化

groupby数据倾斜优化

hive.groupby.skewindata=true;(多起一个job)

1.join优化

(1)数据倾斜
hive.optimize.skewjoin=true;
如果是join过程出现倾斜,应该设置为true
set hive.skewjoin.key=100000;
这个是join的键对应的记录条数超过这个值则会进行优化
简单说就是一个job变为两个job执行HQL

(2)mapjoin(map端执行join)
启动方式一:(自动判断)
set.hive.auto.convert.join=true;
hive.mapjoin.smalltable.filesize 默认值是25mb
小表小于25mb自动启动mapjoin 
启动方式二:(手动)
select /*+mapjoin(A)*/ f.a,f.b from A t join B f on (f.a=t.a)

mapjoin支持不等值条件
reducejoin不支持在ON条件中不等值判断

(3)bucketjoin(数据访问可以精确到桶级别)
使用条件:1.两个表以相同方式划分桶
         2.两个表的桶个数是倍数关系
例子:
create table order(cid int,price float) clustered by(cid)   into 32 buckets;

create table customer(id int,first string) clustered by(id)   into 32/64 buckets;


select price from order t join customer s on t.cid=s.id;

(4)where条件优化
优化前(关系数据库不用考虑会自动优化):
select m.cid,u.id from order m join customer u on m.cid =u.id where m.dt='2013-12-12';

优化后(where条件在map端执行而不是在reduce端执行):
select m.cid,u.id from (select * from order where dt='2013-12-12') m join customer u on m.cid =u.id;

(5)group by 优化
hive.groupby.skewindata=true;
如果group by过程出现倾斜应该设置为true
set hive.groupby.mapaggr.checkinterval=100000;
这个是group的键对应的记录条数超过这个值则会进行优化

也是一个job变为两个job


(6)count distinct优化
优化前(只有一个reduce,先去重再count负担比较大):
select count(distinct id) from tablename;
优化后(启动两个job,一个job负责子查询(可以有多个reduce),另一个job负责count(1)):
select count(1) from (select distinct id from tablename) tmp;
select count(1) from (select id from tablename group by id) tmp;
set mapred.reduce.tasks=3;

 (7)
优化前:
select a,sum(b),count(distinct c),count(distinct d) from test group by a;

优化后:
select a,sum(b) as b,count(c) as c,count(d) as d from

select a, 0 as b,c,null as d from test group by a,c
union all
select a,0 as b, null as c,d from test group by a,d
union all
select a, b,null as c ,null as d from test) tmp group by a;

四、Hive job优化
1.并行化执行
hive默认job是顺序进行的,一个HQL拆分成多个job,job之间无依赖关系也没有相互影响可以并行执行
set hive.exec.parallel=true;

set hive.exec.parallel.thread.number=8;
就是控制对于同一个sql来说同时可以运行的job的最大值,该参数默认为8.此时最大可以同时运行8个job

2.本地化执行(在存放数据的节点上执行)
set hive.exec.mode.local.auto=true;
本地化执行必须满足条件:
(1)job的输入数据大小必须小于参数
hive.exec.mode.local.auto.inputbytes.max(默认128MB)
(2)job的map数必须小于参数:
hive.exec.mode.local.auto.tasks.max(默认为4)太多没有足够的slots
(3)job的reduce数必须为0或1

3.job合并输入小文件
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat
多个split合成一个,合并split数由mapred.max.split.size限制的大小决定

4.job合并输出小文件(为后续job优化做准备)
set hive.merge.smallfiles.avgsize=256000000;当输出文件平均大小小于该值,启动新job合并文件
set hive.merge.size.per.task=64000000;合并之后的每个文件大小


5.JVM重利用
set mapred.job.reuse.jvm.num.tasks=20;
每个jvm运行多少个task;

JVM重利用可以使job长时间保留slot,直到作业结束。


6.压缩数据(多个job)
(1)中间压缩处理hive查询的多个job之间的数据,对于中间压缩,最好选择一个节省cpu耗时的压缩方式
set hive.exec.compress.intermediate=true;
set hive.intermediate.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;
set hive.intermediate.compression.type=BLOCK;按块压缩,而不是记录 
(2)最终输出压缩(选择压缩效果好的,减少储存空间) 
set hive.exec.compress.output=true;
set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;
set mapred.output.compression.type=BLOCK;按块压缩,而不是记录 

五、Hive Map优化

1.set mapred.map.tasks=10 无效
(1)默认map个数
default_num=total_size/block_size;
 (2)期望大小(手动设置的个数)
goal_num =mapred.map.tasks;
(3)设置处理的文件大小(根据文件分片大小计算的map个数)
split_size=max(block_size,mapred.min.split.size);
split_num=total_size/split_size;
(4)最终计算的map个数(实际map个数)
compute_map_num=min(split_num,max(default_num,goal_num))


总结:
(1)如果想增加map个数,则设置mapred.map.tasks为一个较大的值;
(2)如果想减小map个数,则设置mapred.min.split.size为一个较大的值。
 
2.map端聚合
set hive.map.aggr=true;相当于map端执行combiner


3.推测执行(默认为true)
mapred.map.tasks.speculative.execution

六、Hive Shuffle优化
Map 端
io.sort.mb
io.sort.spill.percent
min.num.spill.for.combine
io.sort.factor
io.sort.record.percent


reduce端
mapred.reduce.parallel.copies
mapred.reduce.copy.backoff
io.sort.factor
mapred.job.shuffle.input.buffer.percent

七、HIve Reduce优化
1.推测执行(默认为true)

mapred.reduce.tasks.speculative.execution(hadoop里面的)
hive.mapred.reduce.tasks.speculative.execution(hive里面相同的参数,效果和hadoop里面的一样)
两个随便哪个都行

2.Reduce优化(reduce个数设置)
set mapred.reduce.tasks=10;直接设置

最大值
hive.exec.reducers.max 默认:999

每个reducer计算的文件量大小
hive.exec.reducers.bytes.per.reducer 默认:1G

计算公式:虽然设了这么多,但不一定用到这么多
numRTasks =min[maxReducers,input.size/perReducer]
maxReducers=hive.exec.reducers.max
perReducer=hive.exec.reducers.bytes.per.reducer

八、队列
set mapred.queue.name=queue3;设置队列queue3
set mapred.job.queue.name=queue3;设置使用queue3
set mapred.job.priority=HIGH;


队列参考文章:

http://yaoyinjie.blog.51cto.com/3189782/872294

本文出自 “点滴积累” 博客,请务必保留此出处http://tianxingzhe.blog.51cto.com/3390077/1705565

阅读更多
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页