Hive优化策略

        Hive的执行依赖于底层的MapReduce的作业，所以在执行效率上都是依赖于MR执行的一个效率。所以，在学习了解MR原理是必要的，清楚了Hive底层的优化过程，会大大增加Hive的执行效率。Hive对于OLAP类型的应用有很大的局限性，它不适合需要立即返回查询结果的场景。然而，通过实施下面一系列的调优方法，Hive查询的性能会有大幅提高。

1. 启动压缩

        压缩可以使磁盘上存储的数据量变小，例如，文本文件格式能够压缩40%甚至更高比例，这样可以通过降低I/O来提高查询速度。除非产生的数据用于外部系统，或者存在格式兼容性问题，建议总是启用压缩。

          压缩与解压缩会消耗CPU资源，但Hive产生的MadReduce作业往往是I/O密集型的，因此CPU开销通常不是问题！

        接下来，要想启用压缩，那么必须要知道所使用的hive版本所支持的压缩编码方式，下面的set命令可列出可用的编码器：

        （CDH5.13.1中的Hive）

hive> set io.compression.codecs ; io.compression.codecs= org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec, org.apache.hadoop.io.compress.DeflateCodec, org.apache.hadoop.io.compress.SnappyCodec, org.apache.hadoop.io.compress.Lz4Codec, com.hadoop.compression.lzo.LzoCodec, com.hadoop.compression.lzo.LzopCodec hive>

        一个复杂的Hive查询在提交后，通常被转换为一系列中间阶段的MapReduce作业，Hive引擎将这些作业串联起来完成整个查询。可以将这些中间数据进行压缩。这里所说的中间数据指的是 上一个MapReduce作业的输出，这些输出将 被下一个MapReduce作业作为输入数据使用。我们可以在hive-site.xml文件中设置 hive.exec.compress.intermediate属性以启用中间数据压缩

<property>     <name> hive.exec.compress.intermediate</name>     <value> true</value>     <description>         ThiscontrolswhetherintermediatefilesproducedbyHivebetween         multiplemap-reducejobsarecompressed.Thecompressioncodecandotheroptions aredeterminedfromhadoopconfigvariablesmapred.output.compress *     </description> </property> <property>     <name> hive.intermediate.compression.codec</name>     <value> org.apache.hadoop.io.compress.SnappyCodec</value>     <description/> </property> <property>     <name> hive.intermediate.compression.type</name>     <value> BLOCK</value>     <description/> </property>

        也可以在Hive的客户端来进行设置这些属性

hive>set hive.exec.compress.intermediate=true; hive>set hive.intermediate.compression.codec=org.apache.hadoop.io.compress.SnappyCodec; hive>set hive.intermediate.compression.type=BLOCK; hive>

        当Hive将输出写入到表中时，输出内容同样可以进行压缩。我们可以设置 hive.exec.compress.output属性启用最终输出压缩。

<property>     <name>hive.exec.compress.output</name>     <value>true</value>     </description> </property>

或者：

hive>set hive.exec.compress.output=true; hive>set mapreduce.output.fileoutputformat.compress=true; hive>set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.SnappyCodec; hive>set mapreduce.output.fileoutputformat.compress.type=BLOCK; hive>

2. 优化连接

        可以通过配置Map连接和倾斜连接的相关属性提升连接的查询公功能

        2.1 自动Map连接

        当连接一个大表和一个小表时，自动Map连接是一个非常有用的特性。如果启用了该特性，小表将保存在每个节点的本地缓          存中，并在Map阶段与大表进行连接。开启自动Map连接提供了两个好处。首先，将小表装进缓存将节省每个数据节点上的读取时间。其次，它避免了Hive查询中的倾斜连接，因为每个数据块的连接操作已经在Map阶段完成了。设置下面的属性启用自动Map连接属性。

<property>     <name>hive.auto.convert.join</name>     <value>true</value> </property> <property>     <name>hive.auto.convert.join.noconditionaltask</name>      <value>true</value> </property> <property>     <name>hive.auto.convert.join.noconditionaltask.size</name>      <value>10000000</value>  </property>  <property>     <name>hive.auto.convert.join.use.nonstaged</name>     <value>true</value> </property>

-> hive.auto.convert.join：是否启用基于输入文件的大小，将普通连接转化为Map连接的优化机制。

-> hive.auto.convert.join.noconditionaltask：是否启用基于输入文件的大小，将普通连接转化为Map连接的优化机制。假设参与连接的表（或分区）有N个，如果打开这个参数，并且有N-1个表（或分区）的大小总和小于hive.auto.convert.join.noconditionaltask.size参数指定的值，那么会直接将连接转为Map连接。

-> hive.auto.convert.join.noconditionaltask.size：如果hive.auto.convert.join.noconditionaltask是关闭的，则本参数不起作用。否则，如果参与连接的N个表（或分区）中的N-1个的总大小小于这个参数的值，则直接将连接转为Map连接。默认值为10MB。

->hive.auto.convert.join.use.nonstaged：对于条件连接，如果从一个小的输入流可以直接应用于join操作而不需要过滤或者投影，那么不需要通过MapReduce的本地任务在分布式缓存中预存。当前该参数在vectorization或tez执行引擎中不工作。

    2.2   倾斜连接

        两个大表连接时，会先基于连接键分别对两个表进行排序，然后连接它们。Mapper将特定键值的所有行发送给同一个Reducer。例如，表A的id列有1、2、3、4四个值，表B的id列有1、2、3三个值。查询语句如下：

        

        select A.id

        from A join B on A.id = B.id

        一系列Mapper读取表中的数据并基于键值发送给Reducer。如id=1行进入Reducer R1，id=2的行进入Reducer R2等。这些Reducer产生A、B的交集并输出。Reducer R4只从A获取行，不会产生查询结果。

         现在假设id=1的数据行是高度倾斜的，则R2和R3会很快完成，而R1需要很长时间，将成为整个查询的瓶颈。 配置倾斜连接的相关属性可以有效优化倾斜连接。

<property>     <name>hive.optimize.skewjoin</name>     <value>true</value> </property> <property>     <name>hive.skewjoin.key</name>     <value>100000</value> </property> <property>     <name>hive.skewjoin.mapjoin.map.tasks</name>     <value>10000</value> </property> <property>     <name>hive.skewjoin.mapjoin.min.split</name>     <value>33554432</value> </property>

-> hive.optimize.skewjoin：是否为连接表中的倾斜键创建单独的执行计划。它基于存储在元数据中的倾斜键。在编译时，Hive为倾斜键和其他键值生成各自的查询计划。

-> hive.skewjoin.key：决定如何确定连接中的倾斜键。在连接操作中，如果同一键值所对应的数据行数超过该参数值，则认为该键是一个倾斜连接键。

-> hive.skewjoin.mapjoin.map.tasks：指定倾斜连接中，用于Map连接作业的任务数。该参数应该与hive.skewjoin.mapjoin.min.split一起使用，执行细粒度的控制。

-> hive.skewjoin.mapjoin.min.split：通过指定最小split的大小，确定Map连接作业的任务数。该参数应该与hive.skewjoin.mapjoin.map.tasks一起使用，执行细粒度的控制。

3. 避免使用order by全局排序

        Hive中使用order by子句实现全局排序。order by只用一个Reducer产生结果，对于大数据集，这种做法效率很低。如果不需要全局有序，则可以使用sort by子句，该子句为每个reducer生成一个排好序的文件。如果需要控制一个特定数据行流向哪个reducer，可以使用distribute by子句

        属于一个dept的数据会分配到同一个reducer进行处理，同一个dept的所有记录按照id、name列排序。最终的结果集是全局有序的。在10.3节还会讨论Hive中几种不同的数据排序方法。

        注意：这里要区别出来cluster by 和 distribute by … sort by 的区别！！！

4. 启动Tez执行引擎

        使用Tez执行引擎代替传统的MapReduce引擎会大幅提升Hive查询的性能。在安装好Tez后，配置hive.execution.engine属性指定执行引擎。

<property>     <name>hive.execution.engine</name>     <value>tez</value>     <description></description> </property>

5. 优化limit操作

        默认时limit操作仍然会执行整个查询，然后返回限定的行数。在有些情况下这种处理方式很浪费，因此可以通过设置下面的属性避免此行为。

<property>     <name>hive.limit.optimize.enable</name>     <value>true</value> </property> <property>     <name>hive.limit.row.max.size</name>     <value>100000</value> </property> <property>     <name>hive.limit.optimize.limit.file</name>     <value>10</value> </property> <property>     <name>hive.limit.optimize.fetch.max</name>     <value>50000</value> </property>

说明：

->  hive.limit.optimize.enable：是否启用limit优化。当使用limit语句时，对源数据进行抽样。

->  hive.limit.row.max.size：在使用limit做数据的子集查询时保证的最小行数据量。

->  hive.limit.optimize.limit.file：在使用limit做数据子集查询时，采样的最大文件数。

->  hive.limit.optimize.fetch.max：使用简单limit数据抽样时，允许的最大行数。

6. 启用并行执行

        每条HiveQL语句都被转化成一个或多个执行阶段，可能是一个MapReduce阶段、采样阶段、归并阶段、限制阶段等。默认时，Hive在任意时刻只能执行其中一个阶段。 如果组成一个特定作业的多个执行阶段是彼此独立的，那么它们可以并行执行 ，从而整个作业得以更快完成。通过设置下面的属性启用并行执行。

<property>     <name>hive.exec.parallel</name>     <value>true</value> </property> <property>     <name>hive.exec.parallel.thread.number</name>     <value>8</value> </property>

-> hive.exec.parallel：是否并行执行作业。

-> hive.exec.parallel.thread.number：最多可以并行执行的作业数。

7. 启用严格模式

        Hive提供了一个严格模式，可以防止用户执行那些可能产生负面影响的查询。通过设置下面的属性启用MapReduce严格模式。

<property>     <name>hive.mapred.mode</name>     <value>strict</value> </property>

严格模式禁止3种类型的查询:

->  对于分区表，where子句中不包含分区字段过滤条件的查询语句不允许执行

->  对于使用了order by子句的查询，要求必须使用limit子句，否则不允许执行

->  限制笛卡尔积查询

8. 使用单一Reduce执行多个group by

        通过为group by操作开启单一reduce任务属性，可以将一个查询中的多个group by操作联合在一起发送给单一MapReduce作业。

<property>     <name>hive.multigroupby.singlereducer</name>     <value>true</value>     <description></description> </property>

9. 控制并行Reduce任务

        Hive通过将查询划分成一个或多个MapReduce任务达到并行的目的。确定最佳的mapper个数和reducer个数取决于多个变量，例如输入的数据量以及对这些数据执行的操作类型等。如果有太多的mapper或reducer任务，会导致启动、调度和运行作业过程中产生过多的开销，而如果设置的数量太少，那么就可能没有充分利用好集群内在的并行性。对于一个Hive查询，可以设置下面的属性来控制并行reduce任务的个数

<property>     <name>hive.exec.reducers.bytes.per.reducer</name>     <value>256000000</value> </property> <property>     <name>hive.exec.reducers.max</name>     <value>1009</value> </property>

->  hive.exec.reducers.bytes.per.reducer：每个reducer的字节数，默认值为256MB。Hive是按照输入的数据量大小来确定reducer个数的。例如，如果输入的数据是1GB，将使用4个reducer。

->  hive.exec.reducers.max：将会使用的最大reducer个数。

注意：不断清晰MR流程，以及HIVE转化为MR的过程，才能更好的去优化