深入MapReduce计算引擎

MapReduce整体处理过程

MapReduce会经历作业输入（Input）、业务处理接口Map、Map到Reduce之间数据传输的环节Shuffle、业务处理接口Reduce和作业输出（Output）五大环节。

MapReduce整体环节

MapReduce整体环节的拆解

MapReduce作业输入

作业输入的核心是InputFormat类，用于MapReduce作业的输入规范，读取数据文件的规范。通过继承并实现InputFormat接口，可以读取任何想要读取的数据存储文件的格式。

输入格式类InputFormat

InputFormat涉及3个接口/类，即InputFormat、InputSplit和RecordReader。

1．InputFormat接口

·getSplits（）方法：获取逻辑输入分片（InputSplit），逻辑分片用于指定输入到每个Mapper任务的文件大小。

·getRecordReader（）方法：获取记录读取器，记录读取器根据逻辑分配读取文件相应位置的数据，转化为k-v的形式给Mapper处理。

 

2．InputSplit接口

getLength（）方法：获取每个分片的大小。

·getLocations（）方法：获取每个分片所在的位置。

在获取逻辑分片的时候需要验证文件是否可以分割，文件存储时分块的大小和文件大小。对于一些压缩文件无法计算分片，会直接读取整个压缩文件。

 

3．RecordReader接口

getCurrentKey（）方法，用于获取当前的key。

·getCurrentValue（）方法，用于获取当前的value。

·nextKeyValue（）方法，读取下一个key-value对。

·getProgress（）方法，读取当前逻辑分片的进度。

RecordReader通过这几个方法的配合运用，将数据转化为key-value形式的数据，输送给Mapper Task。

 

InputFormat在Hive中的使用

在调优时我们不希望生成太多的Map，而把计算任务的等待时间都耗费在Map的启动上；或者不希望生成太多的Map对某个文件进行操作，以免引起资源的争用。这时候就需要对Map进行控制。在Hive中配置“set mapred.map.tasks=task数量”无法控制Map的任务数，调节Map任务数需要一套算法，该算法也和InputFormat有密切的关系，具体如下：

（1）在默认情况下Map的个数defaultNum=目标文件或数据的总大小totalSize/hdfs集群文件块的大小blockSize。

（2）当用户指定mapred.map.tasks，即为用户期望的Map大小，用expNum表示，这个期望值计算引擎不会立即采纳，它会获取mapred.map.tasks与defaultNum的较大值，用expMaxNum表示，作为待定选项。

（3）获取文件分片的大小和分片个数，分片大小为参数mapred.min.split.size和blockSize间的较大值，用splitMaxSize表示，将目标文件或数据的总大小除以splitMaxSize即为真实的分片个数，用realSplitNum表示。

（4）获取realSplitNum与expMaxNum较小值则为实际的Map个数。

 

上述算法用代码表达如下：

defaultNum=totalSize/blockSize

expNum=mapred.map.tasks

expMaxNum=max(expNum,defaultNum)

splitMaxSize=max(mapred.min.split.size,blockSize)

realSplitNum=totalSize/splitMaxSize

实际的map个数=min(realSplitNum, expMaxNum)

 

 

通过上面的逻辑知道：

·减少Map个数，需要增大mapred.min.split.size的值，减少mapred.map.tasks的值；

·增大Map个数，需要减少mapred.min.split.size的值，同时增大mapred.map.tasks的值。

 

 

MapReduce的Mapper

Mapper类负责MapReduce计算引擎Map阶段业务逻辑的处理。

Mapper类

Mapper的核心Map方法是MapReduce提供给用户编写业务的主要接口之一，它的输入是一个键-值对的形式，输出也是一个键-值形式。

WordCount的Mapper

Mapper类其实只是简单定义业务处理的输入和输出规范，具体的逻辑则交给开发者自己去开发。

一个完整的MapReduce任务提交到Hadoop集群，Mapper中的逻辑会被分发到集群中的各个节点，并读取该节点的本地数据进行处理，最后写入到本地。这种模式就是所谓的不移动数据，而只移动计算逻辑的模式。目前绝大部分的分布式计算引擎，相比于移动计算，移动数据需要消耗更多的网络I/O和磁盘I/O的资源。在进行调优时，我们借鉴这种设计方法，尽可能地减少数据在节点之间的传输。

 

扩展：在特殊情况下一个节点的Mapper方法可能读取其他节点的数据

 

Mapper除了提供Map方法外还提供了其他方法。

public class Mapper<KEYIN, VALUEIN, KEYOUT, VALUEOUT> {

  ....

  public void run(Context context) throws IOException, InterruptedException {

    setup(context);

    try {

      while (context.nextKeyValue()) {

        map(context.getCurrentKey(), context.getCurrentValue(), context);

      }

    } finally {

      cleanup(context);

    }

  }

}

Mapper通过调用run（）方法，在通过run（）调用setup（）方法，紧接着通过一个while循环调用map方法，将一行行数据循环发送给map（）方法进行处理，跳出循环后再调用cleanup（）方法，整个run（）方法结束。

setup（）方法主要用于初始化一些信息，以供map（）中使用，如初始化数据库连接。

cleanup方法主要是清理释放setup（）、map（）方法中用到的资源，例如，释放数据库连接、关闭打开的文件句柄等资源。

 

Hive中与Mapper相关的配置

（1）hive.vectorized.execution.enabled：表示是否开启向量模式，默认值为false。在run（）方法中，我们看到map（）方法是逐行处理数据，这样的操作容易产生更多的CPU指令和CPU上下文切换，导致系统的处理性能不高。

有没有好的方式来优化这个操作？在关系型数据库里可以采用批量的操作方式避免单行处理数据导致系统处理性能的降低，Hive也提供了类似的功能使用向量的模式，将一次处理一条数据变为一次处理1万条数据，来提高程序的性能。开启向量模式的方法如下：

set hive.vectorized.execution.enabled = true;

 

扩展：事实上，在Hive中提供的向量模式，并不是重写了Mapper中的函数，而是通过实现Inputformat接口，创建VertorizedOrcInputFormat类，来构造一个批量的输入数组。

注意：目前MapReduce计算引擎只支持Map端的向量化执行模式，Tez和Spark计算引擎可以支持Map和Reduce端的向量化执行模式。

 

2）hive.ignore.mapjoin.Hint：是否忽略SQL中MapJoin的Hint关键，在Hive 0.11版本之后默认值为true，即开启忽略Hint的关键字。如果要使用MapJoin的Hint关键字，一定要在使用前开启支持Hint语法，否则达不到预期的效果。

扩展：带Hint关键字，类似于/*+MAPJOIN（smalltable）*/这种写法，MapJoin表示表连接的两表数据在Mapper中的map（）方法中进行连接操作。如果没有特别指定为MapJoin，一般的连接操作都是在Reducer的Redcue中进行连接操作。

下面是一个使用MapJoin的Hint关键字示范例子：

set hive.ignore.mapjoin.Hint=true;

SELECT /*+ MAPJOIN(smalltable)*/  

FROM smalltable  a JOIN bigtable  b ON a.key = b.key

事实上，一般情况不建议使用Hint关键字，因为在开发时容易把大数据量表指定为小表。在程序所运行的环境发生改变时，例如，原来小表的数据量暴增为一个大数据量时，如果还按照原来的执行方式，则容易产生高昂的代价。因此在真实的环境，特指Hive 0.11版本以前，更加倾向于使用下面的配置参数来控制是否开启MapJoin。

 

3）hive.auto.convert.join：是否开启MapJoin自动优化，hive 0.11版本以前默认关闭，0.11及以后的版本默认开启。

4）hive.smalltable.filesize or hive.mapjoin.smalltable.filesize：默认值2500000（25MB）如果大小表在进行表连接时的小表数据量小于这个默认值，则自动开启MapJoin优化。在Hive 0.8.1以前使用hive.smalltable.filesize，之后的版本使用hive.mapjoin.smalltable.filesize参数。Hive 0.11版本及以后的版本，可以使用hive.auto.convert.join.noconditionaltask.size和hive.auto.convert.join.noconditionaltask两个配置参数。hive.auto.convert.join.noconditionaltask.size的默认值为10000000（10MB）。hive.auto.convert.join.noconditionaltask的默认值是true，表示Hive会把输入文件的大小小于hive.auto.convert.join.noconditionaltask.size指定值的普通表连接操作自动转化为MapJoin的形式。

hive.auto.convert.join.use.nonstaged：是否省略小表加载的作业，默认值为false。对于一些MapJoin的连接操作，如果小表没有必要做数据过滤或者列投影操作，则会直接省略小表加载时额外需要新增的MapReduce作业（一般一个MapReduc作业对应一个Stage）。

声明：一般情况，一个MapReduce作业指代经历过一次Map和Reduce处理的作业。

（5）hive.map.aggr：是否开启Map任务的聚合，默认值是true。

（6）hive.map.aggr.hash.percentmemory：默认值是0.5，表示开启Map任务的聚合，聚合所用的哈希表，所能占用到整个Map被分配的内存50%。例如，Map任务被分配2GB内存，那么哈希表最多只能用1GB。

（7）hive.mapjoin.optimized.hashtable：默认值是true，Hive 0.14新增，表示使用一种内存优化的哈希表去做MapJoin。由于该类型的哈希表无法被序列化到磁盘，因此该配置只能用于Tez或者Spark。

（8）hive.mapjoin.optimized.hashtable.wbsize：默认值是10485760（10MB），优化的哈希表使用的是一种链块的内存缓存，该值表示一个块的内存缓存大小。这种结构对于数据相对较大的表能够加快数据加载，但是对于数据量较小的表，将会分配多余的内存。

（9）hive.map.groupby.sorted：在Hive 2.0以前的默认值是False，2.0及2.0以后的版本默认值为true。对于分桶或者排序表，如果分组聚合的键（列）和分桶或者排序的列一致，将会使用BucketizedHiveInputFormat。

（10）hive.vectorized.execution.mapjoin.native.enabled：是否使用原生的向量化执行模式执行MapJoin，它会比普通MapJoin速度快。默认值为False。

（11）hive.vectorized.execution.mapjoin.minmax.enabled：默认值为False，是否使用vector map join哈希表，用于整型连接的最大值和最小值过滤。

 

MapReduce的Reducer

Reducer类是MapReduce处理Reduce阶段业务逻辑的地方。

Reducer类

Reducer的核心Reduce方法是MapReduce提供给用户编写业务的另一个主要接口，它的输入是一个键-数组的形式，和Mapper的输入不太一样。Reducer任务启动时会去拉取Map写入HDFS的数据，并按相同的键划分到各个Reducer任务中，相同键的值则会存入到一个集合容器中，因此Reducer的输入键所对应的值是一个数组，Reducer输出则是同Mapper一样的键-值对形式。

WordCount的Reducer

Reducer提供的Reduce方法与Mapper中的Map方法一样，都只是约定了输入和输出的数据格式。和Map方法一样，Reducer在提供方便的同时，也有相似的弊端。

Reducer还提供了Reduce之外的其他方法，Reducer类如Mapper类一样，也提供了cleanup（）、reduce（）、run（）和setup（）方法，它们之间的关系同Mapper中的方法一致，

 

一个完整的MapReduce任务提交到Hadoop集群，Reducer中的逻辑会被分发到集群中的各个节点。但是不同于Mapper读取本地文件，Reducer会去拉取远程Map节点产生的数据，这里必然也会涉及网络I/O和磁盘I/O。从这里我们可以看到，如非需要对数据进行全局处理，例如全局排序，就关掉Reduce阶段的操作，可以提升程序性能。

 

Hive中与Reducer相关的配置

·mapred.reduce.tasks：设置Reducer的数量，默认值是-1，代表有系统根据需要自行决定Reducer的数量。

·hive.exec.reducers.bytes.per.reducer：设置每个Reducer所能处理的数据量，在Hive 0.14版本以前默认是1000000000（1GB），Hive 0.14及之后的版本默认是256MB。输入到Reduce的数据量有1GB，那么将会拆分成4个Reducer任务。

·hive.exec.reducers.max：设置一个作业运行的最大Reduce个数，默认值是999。

·hive.multigroupby.singlereducer：表示如果一个SQL语句中有多个分组聚合操作，且分组是使用相同的字段，那么这些分组聚合操作可以用一个作业的Reduce完成，而不是分解成多个作业、多个Reduce完成。这可以减少作业重复读取和Shuffle的操作。

·hive.mapred.reduce.tasks.speculative.execution：表示是否开启Reduce任务的推测执行。即系统在一个Reduce任务中执行进度远低于其他任务的执行进度，会尝试在另外的机器上启动一个相同的Reduce任务。

·hive.optimize.reducededuplication：表示当数据需要按相同的键再次聚合时，则开启这个配置，可以减少重复的聚合操作。

·hive.vectorized.execution.reduce.enabled：表示是否启用Reduce任务的向量化执行模式，默认是true。MapReduce计算引擎并不支持对Reduce阶段的向量化处理。

·hive.vectorized.execution.reduce.groupby.enabled：表示是否移动Reduce任务分组聚合查询的向量化模式，默认值为true。MapReduce计算引擎并不支持对Reduce阶段的向量化处理。

 

MapReduce的Shuffle

Shuffle过程按官方文档的解释是指代从Mapper的输出到Reduer输入的整个过程。但个人认为Shuffle的过程应该是从Mapper的Map方法输出到Reducer的Reduce方法输入的过程。它是制约MapReducer引擎性能的一个关键环节，但同时也保证了Hadoop即使能在一些廉价配置较低的服务器上可靠运行的一个环节。

在Mapper的Map方法中，context.write（）方法会将数据计算所在分区后写入到内存缓冲区，缓冲区的大小为mapreduce.task.io.sort.mb=100MB。当缓冲区缓存的数据达到一定的阀值mapreduce.map.sort.spill.percent=0.8，即总缓冲区的80%时，将会启动新的线程将数据写入到HDFS临时目录中。这样设计的目的在于避免单行数据频繁写，以减轻磁盘的负载。这与关系型数据库提倡批量提交（commit）有相同的作用。

在写入到HDFS的过程中，为了下游Reducer任务顺序快速拉取数据，会将数据进行排序后再写入临时文件中，当整个Map执行结束后会将临时文件归并成一个文件。如果不进行文件的排序归并，意味着下游Reducer任务拉取数据会频繁地搜索磁盘，即将顺序读变为随机读，这会对磁盘I/O产生极大的负载。

 

扩展：在早期的Spark计算引擎中，Shuffle过程的排序会影响程序的性能，默认采用的是Hash Based Shuffle，会产生大量的临时文件，下游在拉取数据时不仅需要频繁读取大量的临时文件，还需保持大量的文件句柄。这种方式在面对海量数据时不仅性能低下，而且也容易内存溢出。在Spark 1.1版本开始引入Sort Based Shuffle后，Spark在处理大数据量时性能得以改善，并且在Spark 2.0版本时正式废弃Hash Based Shuffle。事实上，Sort Based Shuffle也是借鉴了Hadoop Shuffle的实现思想。

 

Reducer任务启动后，会启动拉取数据的线程，从HDFS拉取所需要的数据。为什么不选用Mapper任务结束后直接推送到Reducer节点，这样可以节省写入到磁盘的操作，效率更高？因为采用缓存到HDFS，让Reducer主动来拉，当一个Reducer任务因为一些其他原因导致异常结束时，再启动一个新的Reducer依然能够读取到正确的数据。

 

从HDFS拉取的数据，会先缓存到内存缓冲区，当数据达到一定的阈值后会将内存中的数据写入内存或者磁盘中的文件里。当从HDFS拉取的数据能被预先分配的内存所容纳，数据会将内存缓存溢出的数据写入该内存中，当拉取的数据足够大时则会将数据写入文件，文件数量达到一定量级进行归并。

 

扩展：Hive里面经常使用到表连接，如果非特别处理，例如不特别声明使用MapJoin，则一般就是发生在这个阶段，因此普通的表连接又被称之为Repartition Join。

 

MapReduce的Map端聚合

pReduce的Map端聚合通常指代实现Combiner类。Combiner也是处理数据聚合，但不同于Reduce是聚合集群的全局数据。Combiner聚合是Map阶段处理后的数据，因此也被称之为Map的聚合。

 

Combiner类

Combiner是MapReduce计算引擎提供的另外一个可以供用户编程的接口。Combiner所做的事情如果不额外进行编写，则可以直接使用Reducer的逻辑，但是Combiner发生的地方是在Mapper任务所在的服务器，因此它只对本地的Mapper任务做Reducer程序逻辑里面的事情，无法对全局的Mapper任务做，所以一般也被称为Map端的Reducer任务。

 

使用Combiner的初衷是减少Shuffle过程的数据量，减轻系统的磁盘和网络的压力。

 

扩展：在Hive中，Hive提供了另外一种聚合方式——使用散列表，即在每个Mapper中直接使用散列表进行聚合，而不是另起Combiner聚合任务，这样避免另外起一个任务和额外的数据读写所带来的开销。散列表，可以类比Java中的HashMap。

 

Map端的聚合与Hive配置

在Hive中也可以启用Map端的聚合，但有别于使用Combiner，Hive端的聚合更多的是使用哈希表。即在Map执行时启用hash表用来缓存数据，并聚合数据，而不是单独启用Combiner任务来完成聚合。

（1）hive.map.aggr：默认值为true，表示开启Map端的聚合。

通常使用Map聚合往往是为了减少Map任务的输出，减少传输到下游任务的Shuffle数据量，但如果数据经过聚合后不能明显减少，那无疑就是浪费机器的I/O资源。

因此Hive在默认开启hive.map.aggr的同时，引入了两个参数，hive.map.aggr.hash.min.reduction和hive.groupby.mapaggr.checkinterval，用于控制何时启用聚合。

（2）hive.map.aggr.hash.min.reduction：是一个阈值，默认值是0.5。

（3）hive.groupby.mapaggr.checkinterval：默认值是100000。Hive在启用Combiner时会尝试取这个配置对应的数据量进行聚合，将聚合后的数据除以聚合前的数据，如果小于hive.map.aggr.hash.min.reduction会自动关闭。

（4）hive.map.aggr.hash.percentmemory：默认值是0.5。该值表示在进行Mapper端的聚合运行占用的最大内存。例如，分配给该节点的最大堆（xmx）为1024MB，那么聚合所能使用的最大Hash表内存是512MB，如果资源较为宽裕，可以适当调节这个参数。

（5）hive.map.aggr.hash.force.flush.memory.threshold：默认值是0.9。该值表示当在聚合时，所占用的Hash表内存超过0.9，将触发Hash表刷写磁盘的操作。例如Hash表内存是512MB，当Hash表的数据内存超过461MB时将触发Hash表写入到磁盘的操作。

 

MapReduce作业输出

MapReduce作业输出包含两部分，一部分是Map阶段的输出，另一部分是Reduce阶段的输出，主要用于检查作业的输出规范，并将数据写入存储文件中。

OutputFormat作业输出

作业输出（OutputFormat）是用于MapReduce作业的输出规范。通过继承并实现OutputFormat接口，可以将数据输出到任何想要存储的数据存储文件中。OutputFormat主要设计两个接口/类：OutputFormat和OutputCommitter。

1．OutputFormat类

OutputFormat类提供了3个方法：

checkOutputSpecs（）方法：校验作业的输出规范。

·getOutputCommitter（）方法：获取OutputCommitter对象，OutputCommitter用于管理配置，并提交作业的输出任务。

·getRecordWriter（）方法：获取RecordWriter对象，通过RecordWriter将数据写入HDFS中。

 

2．OutputCommitter类

OuputCommitter类在这个输出任务组中要承担的任务如下：

·在初始化期间，做些作业运行时的准备工作。例如，在作业初始化期间为作业创建临时输出目录。

·在作业完成后，清理作业遗留的文件目录。例如，在作业完成后删除临时输出目录。设置任务临时输出。这个输出有特殊的用处，下面将会结合Task side-effect文件处理做说明。

·检查任务是否需要提交。这是为了在任务不需要提交时避免提交过程。

·提交输出任务。一旦任务完成，整个作业要提交一个输出任务。

·丢弃任务提交。如果任务失败/终止，输出将被清理。如果任务无法清除（在异常块中），将启动一个单独的任务，使用相同的attempt-id执行清除。

 

扩展：Task side-effect文件并不是任务的最终输出文件，而是具有特殊用途的任务专属文件，它的典型应用是执行推测式任务。在Hadoop中，同一个作业的某些任务执行速度可能明显慢于其他任务，进而拖慢整个作业的执行速度。

为此，Hadoop会在另外一个节点上启动一个相同的任务，该任务便被称为推测式任务。为防止这两个任务同时往一个输出文件中写入数据时发生写冲突，FileOutputFormat会为每个Task的数据创建一个side-effect file，并将产生的数据临时写入该文件，待Task完成后，再移动到最终输出目录中。

 

Hive配置与作业输出

Hive提供了作业输出文件的压缩，可以减少在Shuffle过程的数据量，减轻磁盘和网络的负载。但是有压缩就会有解压缩，免不了性能损耗，一般在大型作业中才会开启文件作业的压缩。开启文件作业的压缩只要将hive.exec.compress.intermediate参数设置为true。当然Hive提供写入到最终Hive表或者HDFS文件的压缩参数--hive.exec.compress.output。

上述的压缩如果要是MapReduce中起作用的前提是需要配置mapred.output.compression.codec和mapred.output.compression两个属性。

Hive提供多种方式去合并执行过程中产生的小文件，例如：

·启用hive.merge.mapfile参数，默认启用，合并只有Map任务作业的输出文件；

·启用hive.merge.mapredfiles参数，默认启用，合并MapReduce作业最终的输出文件；

·启用hive.merge.mapredfiles参数，默认启用，合并MapReduce作业最终的输出文件；

·设置hive.merge.smallfiles.avgsize参数，默认16MB，当输出的文件小于该值时，启用一个MapReduce任务合并小文件；

·设置hive.merge.size.per.task参数，默认256MB，是每个任务合并后文件的大小。一般设置为和HDFS集群的文件块大小一致。

 

MapReduce作业与Hive配置

Hive的配置除了能控制作业在MapReduce中每个阶段的运行外，也能用于控制整个作业的运行模式。下面是一些较为常见的通过Hive配置操作MapReduce作业运行的配置。

·hive.optimize.countdistinct：默认值为true，Hive 3.0新增的配置项。当开启该配置项时，去重并计数的作业会分成两个作业来处理这类SQL，以达到减缓SQL的数据倾斜作用。

·hive.exec.parallel：默认值是False，是否开启作业的并行。默认情况下，如果一个SQL被拆分成两个阶段，如stage1、stage2，假设这两个stage没有直接的依赖关系，还是会采用窜行的方式依次执行两个阶段。如果开启该配置，则会同时执行两个阶段。在资源较为充足的情况下开启该配置可以有效节省作业的运行时间。

·hive.exec.parallel.thread.num：默认值是8，表示一个作业最多允许8个作业同时并行执行。

·hive.exec.mode.local.auto：默认值是false，表示是否开启本地的执行模式。开启该配置表示Hive会在单台机器上处理完所有的任务，对于处理数据量较少的任务可以有效地节省时间。开启本地模式还需要以下几个配置帮助。

·hive.exec.mode.local.auto.inputbytes.max：默认值134217728（128MB），表示作业处理的数据量要小于该值，本地模式。

·hive.exec.mode.local.auto.tasks.max：默认值是4，表示作业启动的任务数必须小于或者等于该值，本地模式才能生效。在Hive 0.9的版本以后该配置被hive.exec.mode.local.auto.input.files.max配置所取代，其含义和hive.exec.mode.local.auto.tasks.max相同。

·hive.optimize.correlation：默认值为false，这个配置我们称之为相关性优化，打开该配置可以减少重复的Shuffle操作。例如，存在如下的SQL：

SELECT t1.key, sum(value) FROM t1 JOIN t2 ON (t1.key = t2.key) GROUP BY t1.key

上面的SQL在执行时，JOIN操作和GROUP BY操作通常情况下都会产生Shuffle的操作，但是由于Join阶段操作后输出的结果是作为GROUP BY阶段操作的输入，并且在JOIN操作时，数据已经按t1.Key分区，因此通常情况下GROUP BY操作没有必要为t1.key进行重新Shuffle。

然而在一般情况下，Hive并不知道JOIN操作和GROUP BY操作之间的这种相关性，因此会产两个Shuffle操作。这种情况往往会导致低效SQL的产生，通过开启hive.optimize.correlation配置，可以避免这种低效SQL的产生。

 

MapReduce与Tez对比

Tez是一个基于Hadoop YARN构建的新计算框架，将任务组成一个有向无环图（DAG）去执行作业，所有的作业都可以描述成顶点和边构成的DAG。Tez为数据处理提供了统一的接口，不再像MapReduce计算引擎一样将任务分为作业Map和Reduce阶段。在Tez中任务由输入（input）、输出（output）和处理器（processor）三部分接口组成，处理器可以做Map的事情，也可以做Reduce需要的事情。Tez中的数据处理构成DAG的顶点（Vertex），任务之间的数据连接则构成了边（Edge）。

一个包含Mapper和Reducer任务的作业，在Tez中可以看成是一个简单的DAG。

用Tez表示MapReduce过程

Mapper的输入和Reducer的输出，分别作为Tez中的输入和输出接口，Mapper和Reducer任务则可以看成两顶点vertex1和vertex2，Mapper和Reducer中间的Shuffle过程则可以看成是两顶点的边。

 

Hive中Tez和LLAP相关的配置

·tez.am.resource.memory.mb：配置集群中每个Tez作业的ApplicationMaster所能占用的内存大小。

·tez.grouping.max-size、tez.grouping.min-size：配置集群中每个Map任务分组分片最大数据量和最小数据量。

·hive.tez.java.opts：配置Map任务的Java参数，如果任务处理的数据量过大，可以适当调节该参数，避免OOM（内存溢出）。选择合理的垃圾回收器，提升每个任务运行的吞吐量。

·hive.convert.join.bucket.mapjoin.tez：配置是否开启转换成桶MapJoin的表连接。默认是false，表示不开启。

·hive.merge.tezifles：是否合并Tez任务最终产生的小文件。

·hive.tez.cpu.vcores：配置每个容器运行所需的虚拟CPU个数。

·hive.tez.auto.reducer.parallelism：配置是否开启作业自动调节在Reduce阶段的任务并行度。

·hive.tez.bigtable.minsize.semijoin.reduction：设置当大表的行数达到该配置指定的行数时可以启用半连接。

·hive.tez.dynamic.semijoin.reduction：设置动态启用半连接操作进行过滤数据。

·hive.llap.execution.mode：配置Hive使用LLAP的模式，共有以下5种模式。

·none：所有的操作都不使用LLAP。

·map：只允许Map阶段的操作使用LLAP。

all：所有的操作都尽可能尝试使用LLAP，如果执行失败则使用容器的方式运行。

·only：所有的操作都尽可能尝试使用LLAP，如果执行失败，则查询失败。

·auto：由Hive控制LLAP模式。

·hive.llap.object.cache.enabled：是否开启LLAP的缓存，缓存可以缓存执行计划、散列表。

·hive.llap.io.use.lrfu：指定缓存的策略为LRFU模式，替换掉默认FIFO模式。

·hive.llap.io.enabled：是否启用LLAP的数据I/O。

·hive.llap.io.cache.orc.size：LLAP缓存数据的大小，默认是1GB。

·hive.llap.io.threadpool.size：LLAP在进行I/O操作的线程池大小，默认为10。

·hive.llap.io.memory.mode：LLAP内存缓存的模式，共有以下3种模式。

·cache：将数据和数据的元数据放到自定义的堆外缓存中。

·allocator：不使用缓存，使用自定义的allocator。

·none：不使用缓存。因为上面两种方式有可能导致性能急剧下降。

·hive.llap.io.memory.size：LLAP缓存数据的最大值。

·hive.llap.auto.enforce.vectorized：是否强制使用向量化的运行方式，默认为true。

·hive.llap.auto.max.input.size、hive.llap.auto.min.input.size：是否检查输入数据的文件大小，如果为-1则表示不检查。hive.llap.auto.max.input.size默认值为10GB，hive.llap.auto.min.input.size默认值为1GB。