HIVE优化(设置合理的map reduce的task数)
这里写目录标题
1 map阶段优化
1.1 map参数
1.2 map切分情况
1.3 主要的解决方式
2.reduce阶段优化
2.1 Reduce的个数
2.2 Hive自己如何确定reduce数
2.3 调整reduce个数方法一
2.4 调整reduce个数方法二
2.5 reduce个数并不是越多越好
2.6 什么情况下只有一个reduce
3.小文件合并优化
Hive优化之小文件问题及其解决方案:
小文件是如何产生的
小文件问题的影响
小文件问题的解决方案
map/reduce端的相关参数
1 map阶段优化
1.1 map参数
mapred.min.split.size:数据的最小分割单元;min值默认是1KB。
mapred.max.split.size:数据的最大分割单元;max值默认是256M。
通过调整max可以起到调整map数的作用,减小max可以增加map数;增加min可以减少map数。
注意:直接调整 mapred.map.task 这个参数是没有效果的。
1.2 map切分情况
-
假设input目录下有1个文件a,大小是780M,那么map默认参数会把a分成7块(6个128M和1个 12M),从而产生7个map。
-
假设input目录下有3个文件a,b,c,大小分别为10M,20M,130M,那么hadoop会把文件分成4块(10M,20M,128M,2M),从而产生4个map数。
注意:如果文件大于块大小(128M),那么会拆分,如果小于块大小,则把该文件当成一个块。
这就涉及到小文件的问题:如果一个任务有很多小文件(远远小于块大小128M),则每个小文件也会当做一个块,用一个map任务来完成。
而一个map任务启动和初始化的时间远远大于逻辑处理的时间,就会造成很大的资源浪费。而且,同时可执行的map数是受限的。那么,是不是保证每个map处理接近128M的文件块,就高枕无忧了?答案也是不一定。比如有一个127M的文件,正常会用一个map去完成,但这个文件只有一个或者两个小字段,却有几千万的记录,如果map处理的逻辑比较复杂,用一个map任务去做,肯定也比较耗时。
1.3 主要的解决方式
- 减少map的数量
假设一个SQL任务:
Select count(1) from popt_tbaccountcopy_meswhere pt = '2012-07-04';
该任务的inputdir : /group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04
共有194个文件,其中很多事远远小于128M的小文件,总大小9G,正常执行会用194个map任务。
Map总共消耗的计算资源:SLOTS_MILLIS_MAPS= 623,020
通过以下方法来在map执行前合并小文件,减少map数:
set mapred.max.split.size=128000000; // 能分割块的最大块大小
set mapred.min.split.size.per.node=100000000; // 每个节点处理的最小split
set mapred.min.split.size.per.rack=100000000; // 每个机架处理的最小s