hive通过将查询划分成一个或多个MapReduce任务达到并行处理的目的。每个任务都可能具有多个mapper和reducer任务,其中至少有一些是可以并行执行的。确定最佳的mapper个数和reducer个数取决于多个变量,例如输入的数据量大小以及对这些数据执行的操作类型等。
保持平衡性是很有必要的,对于Spark/Hadoop这样的大数据系统来讲,数据量大并不可怕,可怕的是数据倾斜,每个节点处理的运算不均衡。
如果有太多的mapper或reducer任务,就会导致启动阶段、调度和运行job过程中产生过多的开销;而如果设置的数量太少,那就有可能没充分利用好集群内在并行性。
hive.exec.mode.local.auto
决定 Hive 是否应该自动地根据输入文件大小,在本地运行(在GateWay运行)
默认值:true
hive.exec.mode.local.auto.inputbytes.max
如果hive.exec.mode.local.auto 为 true,当输入文件大小小于此阈值时可以自动在本地模式运行,默认是 128兆。
默认值:134217728L
hive.exec.mode.local.auto.tasks.max
如果hive.exec.mode.local.auto 为 true,当 Hive Tasks(Hadoop Jobs)小于此阈值时,可以自动在本地模式运行。
默认值:4
hive.auto.convert.join
是否根据输入小表的大小,自动将 Reduce 端的 Common Join 转化为 Map Join,从而加快大表关联小表的 Join 速度。
默认值:false
hive.mapred.local.mem
Mapper/Reducer在本地模式的最大内存量,以字节为单位,0为不限制。
默认值:0
mapred.reduce.tasks
所提交 Job 的 reduer 的个数,使用 Hadoop Client 的配置。
默认值:1
hive.exec.scratchdir
HDFS路径,用于存储不同 map/reduce 阶段的执行计划和这些阶段的中间输出结果。
默认值:/tmp//hive
hive.metastore.warehouse.dir
Hive 默认的数据文件存储路径,通常为 HDFS 可写的路径。
默认值:"
hive.groupby.skewindata
决定 group by 操作是否支持倾斜的数据。
默认值:false
hive.merge.mapfiles
在Map-only的任务结束时合并小文件。
是否开启合并 Map 端小文件,对于 Hadoop 0.20 以前的版本,起一个新的 Map/Reduce Job,对于 0.20 以后的版本,则是起使用 CombineInputFormat 的 MapOnly Job。
是否开启合并 Map 端小文件,当Hive输入由很多个小文件组成,由于每个小文件都会启动一个map任务,如果文件过小,会使得map任务启动和初始化的时间大于逻辑处理的时间,造成资源浪费,甚至OOM。为此,当我们启动一个任务,发现输入数据量小但任务数量多时,需要注意在Map前端进行输入合并。当然,在我们向一个表写数据时,也需要注意输出文件大小
默认值:true
hive.merge.mapredfiles
是否开启合并 Map/Reduce 小文件,对于 Hadoop 0.20 以前的版本,起一个新的 Map/Reduce Job,对于 0.20 以后的版本,则是起使用 CombineInputFormat 的 MapOnly Job。
是否开启合并 Map/Reduce 小文件,即是否在Map-Reduce的任务结束时合并小文件。
默认值:false
hive.limit.optimize.enable
当使用LIMIT语句时,其可以对数据源进行抽样,避免执行整个查询语句,然后再返回部分结果
但这个功能有个缺点,有可能输入中有用的数据永远不会被处理到。
hive.default.fileformat
Hive 默认的输出文件格式,与创建表时所指定的相同,
可选项为 'TextFile' 、 'SequenceFile' 或者 'RCFile'。 'TextFile'
hive.mapred.mode
Map/Redure 模式,如果设置为 strict,将禁止3中类型的查询:
1.分区表的where筛选条件必须含有分区字段;
2.对使用了order by语句的查询,必须使用limit语句(order by语句为执行排序会将所有的结果集数据分发到同一个reducer中进行处理,增加limit语句可以防止reducer额外执行很长时间)
3.限制笛卡儿积的查询,就是有where语句,而没有on语句。
默认值: 'nonstrict'
hive.exec.parallel
是否开启 map/reduce job的并发提交。
默认值: false
hive.security.authorization.enabled
Hive 是否开启权限认证。
默认值:false
hive.exec.plan
Hive 执行计划的路径,会在程序中自动进行设置
默认值:null
hive.exec.submitviachild
决定 map/reduce Job 是否应该使用各自独立的 JVM 进行提交(Child进程),默认情况下,使用与 HQL compiler 相同的 JVM 进行提交。
默认值:false
hive.exec.script.maxerrsize
通过 TRANSFROM/MAP/REDUCE 所执行的用户脚本所允许的最大的序列化错误数。
默认值:100000
hive.exec.script.allow.partial.consumption
是否允许脚本只处理部分数据,如果设置为 true ,因 broken pipe 等造成的数据未处理完成将视为正常。
默认值:false
hive.exec.compress.output
决定查询中最后一个 map/reduce job 的输出是否为压缩格式。
默认值:false
hive.exec.compress.intermediate
决定查询的中间 map/reduce job (中间 stage)的输出是否为压缩格式。
默认值:false
hive.intermediate.compression.codec
中间 map/reduce job 的压缩编解码器的类名(一个压缩编解码器可能包含多种压缩类型),该值可能在程序中被自动设置。
hive.intermediate.compression.type
中间 map/reduce job 的压缩类型,如 "BLOCK""RECORD"。
hive.exec.reducers.bytes.per.reducer
每一个 reducer 的平均负载字节数。
默认值:1000000000
hive.exec.reducers.max
设置reducer 个数的上限。
可以阻止某个查询消耗过多的reducer资源,对这个属性值大小的设定,一个建议的计算公式如下:
(集群总Reduce槽位个数*1.5) / (执行中查询的平均个数)
1.5倍数是一个经验系数,用于防止未充分利用集群的情况。
默认值:999
hive.exec.rowoffset
hive提供了2种虚拟列:一种用于将要进行划分的输入文件名,另一种用于文件中的块内偏移量。当hive产生了非预期的或null的返回结果时,可以通过这些虚拟列诊断查询。通过这些“字段”,用户可以查看到哪个文件甚至哪些数据导致出现问题:
SELECT
INPUT_FILE_NAME,
BLOCK_OFFSET_INSIDE_FILE,
ROW_OFFSET_INSIDE_BLOCK,
line
FROM hive_text
WHERE line LIKE '%hive%' LIMIT 2;
默认值:true
hive.multigroupby.singlemr
一个特别的优化,是否将查询中的多个group by操作组装到单个MapReduce任务中。
默认值:false
hive.exec.pre.hooks
语句层面,整条 HQL 语句在执行前的 hook 类名。
默认值:"
hive.exec.post.hooks
语句层面,整条 HQL 语句在执行完成后的 hook 类名。
hive.exec.parallel.thread.number
并发提交时的并发线程的个数。
默认值:8
hive.mapred.reduce.tasks.speculative.execution
是否开启 reducer 的推测执行,与mapred.reduce.tasks.speculative.execution 作用相同。
默认值:false
hive.exec.counters.pull.interval
客户端拉取 progress counters 的时间,以毫秒为单位。
默认值:1000L
hive.exec.dynamic.partition
是否打开动态分区。
默认值:false
hive.exec.dynamic.partition.mode
打开动态分区后,动态分区的模式,有 strict 和 nonstrict 两个值可选,strict 要求至少包含一个静态分区列,nonstrict 则无此要求。
默认值:strict
hive.exec.max.dynamic.partitions
所允许的最大的动态分区的个数。
默认值:1000
hive.exec.max.dynamic.partitions.pernode
单个 reduce 结点所允许的最大的动态分区的个数。
默认值:100
hive.exec.default.partition.name
默认的动态分区的名称,当动态分区列为''或者null时,使用此名称。'' '__HIVE_DEFAULT_PARTITION__'
hadoop.bin.path
HadoopClient 可执行脚本的路径,该路径用于通过单独的 JVM 提交 job,使用 Hadoop Client 的配置。
默认值:$HADOOP_HOME/bin/hadoop
hadoop.config.dir
HadoopClient 配置文件的路径,使用 HadoopClient 的配置。
默认值:$HADOOP_HOME/conf
fs.default.name
Namenode 的 URL,使用 Hadoop Client 的配置。
默认值:file:///
map.input.file
Map 的输入文件,使用 Hadoop Client 的配置。
默认值:null
mapred.input.dir
Map 的输入目录,使用 Hadoop Client 的配置。
默认值: null
mapred.input.dir.recursive
输入目录是否可递归嵌套,使用 HadoopClient 的配置。
默认值:false
mapred.job.tracker
Job Tracker的 URL,使用 Hadoop Client 的配置,如果这个配置设置为 'local',将使用本地模式。
默认值:local
mapred.job.name
Map/Reduce 的 job 名称,如果没有设置,则使用生成的 job name,使用 Hadoop Client 的配置。
默认值:null
mapred.reduce.tasks.speculative.execution
Map/Reduce 推测执行,使用 Hadoop Client 的配置。
默认值:null
hive.metastore.metadb.dir
Hive 元数据库所在路径。
默认值:"
hive.metastore.uris
Hive 元数据的 URI,多个 thrift://地址,以英文逗号分隔。
默认值:"
hive.metastore.connect.retries
连接到 Thrift 元数据服务的最大重试次数。
默认值:3
javax.jdo.option.ConnectionPassword
JDO 的连接密码。
默认值:"
hive.metastore.ds.connection.url.hook
JDO 连接 URL Hook 的类名,该 Hook 用于获得 JDO 元数据库的连接字符串,为实现了JDOConnectionURLHook 接口的类。
默认值:"
javax.jdo.option.ConnectionURL
元数据库的连接 URL。
默认值:"
hive.metastore.ds.retry.attempts
当没有 JDO 数据连接错误后,尝试连接后台数据存储的最大次数。
默认值:1
hive.metastore.ds.retry.interval
每次尝试连接后台数据存储的时间间隔,以毫秒为单位。
默认值:1000
hive.metastore.force.reload.conf
是否强制重新加载元数据配置,一但重新加载,该值就会被重置为 false。
默认值:false
hive.metastore.server.min.threads
Thrift 服务线程池的最小线程数。
默认值:8
hive.metastore.server.max.threads
Thrift 服务线程池的最大线程数。
默认值:0x7fffffff
hive.metastore.server.tcp.keepalive
Thrift 服务是否保持 TCP 连接。
默认值:true
hive.metastore.archive.intermediate.original
用于归档压缩的原始中间目录的后缀,这些目录是什么并不重要,只要能够避免冲突即可。
默认值:'_INTERMEDIATE_ORIGINAL'
hive.metastore.archive.intermediate.archived
用于归档压缩的压缩后的中间目录的后缀,这些目录是什么并不重要,只要能够避免冲突即可。
默认值:'_INTERMEDIATE_ARCHIVED'
hive.metastore.archive.intermediate.extracted
用于归档压缩的解压后的中间目录的后缀,这些目录是什么并不重要,只要能够避免冲突即可。
默认值:'_INTERMEDIATE_EXTRACTED'
hive.cli.errors.ignore
是否忽略错误,对于包含多的 SQL 文件,可以忽略错误的行,继续执行下一行。
默认值:false
hive.session.id
当前会话的标识符,格式为“用户名_时间”用于记录在 job conf 中,一般不予以手动设置。
默认值:"
hive.session.silent
当前会话是否在 silent 模式运行。 如果不是 silent 模式,所以 info 级打在日志中的消息,都将以标准错误流的形式输出到控制台。
默认值:false
hive.query.string
当前正在被执行的查询字符串。
默认值:"
hive.query.id
当前正在被执行的查询的ID。
默认值: "
hive.query.planid
当前正在被执行的 map/reduce plan 的 ID。
默认值: "
hive.jobname.length
当前 job name 的最大长度,hive 会根据此长度省略 job name 的中间部分。
默认值:50
hive.jar.path
通过单独的 JVM 提交 job 时,hive_cli.jar 所在的路径
默认值:"
hive.aux.jars.path
各种由用户自定义 UDF 和 SerDe 构成的插件 jar 包所在的路径。
默认值:"
hive.added.files.path
ADD FILE 所增加的文件的路径。
默认值:"
hive.added.jars.path
ADD JAR 所增加的文件的路径。
默认值: "
hive.added.archives.path
ADDARCHIEVE 所增加的文件的路径。
默认值:"
hive.table.name
当前的 Hive 表的名称,该配置将通过 ScirptOperator 传入到用户脚本中。
默认值:"
hive.partition.name
当前的 Hive 分区的名称,该配置将通过 ScriptOperator 传入到用户脚本中。
默认值:"
hive.script.auto.progress
脚本是否周期性地向 Job Tracker 发送心跳,以避免脚本执行的时间过长,使 JobTracker 认为脚本已经挂掉了。
默认值:false
hive.script.operator.id.env.var
用于识别 ScriptOperator ID 的环境变量的名称。
默认值:'HIVE_SCRIPT_OPERATOR_ID'
hive.alias
当前的 Hive 别名,该配置将通过 ScriptOpertaor 传入到用户脚本中。
默认值:"
hive.map.aggr
决定是否可以在 Map 端进行聚合操作
默认值:true
hive.join.emit.interval
Hive Join 操作的发射时间间隔,以毫秒为单位。
默认值:1000
hive.join.cache.size
Hive Join 操作的缓存大小,以字节为单位。
默认值:25000
hive.mapjoin.bucket.cache.size
Hive MapJoin 桶的缓存大小,以字节为单位。
默认值:100
hive.mapjoin.size.key
Hive MapJoin 每一行键的大小,以字节为单位。
默认值:10000
hive.mapjoin.cache.numrows
Hive MapJoin 所缓存的行数。
默认值:25000
hive.groupby.mapaggr.checkinterval
对于 Group By 操作的 Map 聚合的检测时间,以毫秒为单位。
默认值:100000
hive.map.aggr.hash.percentmemory
Hive Map 端聚合的哈稀存储所占用虚拟机的内存比例。
默认值:0.5
hive.map.aggr.hash.min.reduction
Hive Map 端聚合的哈稀存储的最小 reduce 比例。
默认值:0.5
hive.udtf.auto.progress
Hive UDTF 是否周期性地报告心跳,当 UDTF 执行时间较长且不输出行时有用。
默认值:false
hive.fileformat.check
Hive 是否检查输出的文件格式。
默认值:true
hive.querylog.location
Hive 实时查询日志所在的目录,如果该值为空,将不创建实时的查询日志。
默认值:'/tmp/$USER'
hive.script.serde
Hive 用户脚本的 SerDe。
默认值:'org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe'
hive.script.recordreader
Hive 用户脚本的 RecordRedaer。
默认值:'org.apache.hadoop.hive.ql.exec.TextRecordReader'
hive.script.recordwriter
Hive 用户脚本的 RecordWriter。
默认值:'org.apache.hadoop.hive.ql.exec.TextRecordWriter'
hive.hwi.listen.host
HWI 所绑定的 HOST 或者 IP。
默认值:'0.0.0.0'
hive.hwi.listen.port
HWI 所监听的 HTTP 端口。
默认值:9999
hive.hwi.war.file
HWI 的 war 文件所在的路径。
默认值:$HWI_WAR_FILE
hive.test.mode
是否以测试模式运行 Hive
默认值:false
hive.test.mode.prefix
Hive 测试模式的前缀。
默认值:'test_'
hive.test.mode.samplefreq
Hive 测试模式取样的频率,即每秒钟取样的次数。
默认值:32
hive.test.mode.nosamplelist
Hive 测试模式取样的排除列表,以逗号分隔。
默认值:"
hive.merge.size.per.task
每个任务合并后文件的大小,根据此大小确定 reducer 的个数,默认 256 M。
默认值:256000000
hive.merge.smallfiles.avgsize
需要合并的小文件群的平均大小,默认 16 M。
默认值:16000000
hive.optimize.skewjoin
是否优化数据倾斜的 Join,对于倾斜的 Join 会开启新的 Map/Reduce Job 处理。
默认值:false
hive.skewjoin.key 倾斜键数目阈值,超过此值则判定为一个倾斜的 Join 查询。
默认值: 1000000
hive.skewjoin.mapjoin.map.tasks
处理数据倾斜的 Map Join 的 Map 数上限。
默认值: 10000
hive.skewjoin.mapjoin.min.split
处理数据倾斜的 Map Join 的最小数据切分大小,以字节为单位,默认为32M。
默认值:33554432
mapred.min.split.size
Map ReduceJob 的最小输入切分大小,与 HadoopClient 使用相同的配置。
默认值:1
hive.mergejob.maponly
是否启用 Map Only 的合并 Job。
默认值:true
hive.heartbeat.interval
Hive Job 的心跳间隔,以毫秒为单位。
默认值:1000
hive.mapjoin.maxsize
Map Join 所处理的最大的行数。超过此行数,Map Join进程会异常退出。
默认值:1000000
hive.hashtable.initialCapacity
Hive 的 Map Join 会将小表 dump 到一个内存的 HashTable 中,该 HashTable 的初始大小由此参数指定。
默认值:100000
hive.hashtable.loadfactor
Hive 的 Map Join 会将小表 dump 到一个内存的 HashTable 中,该 HashTable 的负载因子由此参数指定。
默认值:0.75
hive.mapjoin.followby.gby.localtask.max.memory.usage
MapJoinOperator后面跟随GroupByOperator时,内存的最大使用比例
默认值:0.55
hive.mapjoin.localtask.max.memory.usage
Map Join 的本地任务使用堆内存的最大比例
默认值:0.9
hive.mapjoin.localtask.timeout
Map Join 本地任务超时,淘宝版特有特性
默认值:600000
hive.mapjoin.check.memory.rows
设置每多少行检测一次内存的大小,如果超过hive.mapjoin.localtask.max.memory.usage 则会异常退出,Map Join 失败。
默认值:100000
hive.debug.localtask
是否调试本地任务,目前该参数没有生效
默认值:false
hive.task.progress
是否开启 counters ,以记录 Job 执行的进度,同时客户端也会拉取进度 counters。
默认值:false
hive.input.format
Hive 的输入 InputFormat。
默认是org.apache.hadoop.hive.ql.io.HiveInputFormat,
其他还有org.apache.hadoop.hive.ql.io.CombineHiveInputFormat
hive.enforce.bucketing
是否启用强制 bucketing。
默认值:false
hive.enforce.sorting
是否启用强制排序。
默认值:false
hive.mapred.partitioner
Hive 的 Partitioner 类。
默认值:'org.apache.hadoop.hive.ql.io.DefaultHivePartitioner'
hive.exec.script.trust
Hive ScriptOperator For trust
默认值:false
hive.hadoop.supports.splittable.combineinputformat
是否支持可切分的CombieInputFormat
默认值:false
hive.optimize.cp
是否优化列剪枝。
默认值:true
hive.optimize.ppd
是否优化谓词下推。
默认值:true
hive.optimize.groupby
是否优化 group by。
默认值:true
hive.optimize.bucketmapjoin
是否优化 bucket map join。
默认值:false
hive.optimize.bucketmapjoin.sortedmerge
是否在优化 bucket map join 时尝试使用强制 sorted merge bucketmap join。 默认值:false
hive.optimize.reducededuplication
是否优化 reduce 冗余。
默认值:true
hive.hbase.wal.enabled
是否开启 HBase Storage Handler。
默认值:true
hive.archive.enabled
是否启用 har 文件。
默认值:false
hive.archive.har.parentdir.settable
是否启用 har 文件的父目录可设置。
默认值:false
hive.outerjoin.supports.filters
是否启动外联接支持过滤条件。
默认值:true
hive.fetch.output.serde
对于 Fetch Task 的 SerDe 类
默认值:'org.apache.hadoop.hive.serde2.DelimitedJSONSerDe'
hive.semantic.analyzer.hook
Hive 语义分析的 Hook,在语义分析阶段的前后被调用,用于分析和修改AST及生成的执行计划,以逗号分隔。
默认值:null
hive.cli.print.header
是否显示查询结果的列名,默认为不显示。
默认值:false
hive.cli.encoding
Hive 默认的命令行字符编码。
默认值:'UTF8'
hive.log.plan.progress
是否记录执行计划的进度。
默认值:true
hive.pull.progress.counters
是否从 Job Tracker 上拉取 counters,淘宝特有配置项。
默认值:true
hive.job.pre.hooks
每个 Job 提交前执行的 Hooks 列表,以逗号分隔,淘宝特有配置项。
默认值:"
hive.job.post.hooks
每个 Job 完成后执行的 Hooks 列表,以逗号分隔,淘宝特有配置项。
默认值:"
hive.max.progress.counters
Hive 最大的进度 couters 个数,淘宝特有配置项。
默认值:100
hive.exec.script.wrapper
ScriptOperator 脚本调用的封装,通常为脚本解释程序。例如,可以把该变量值的名称设置为"python",那么传递到 Script Operator 的脚本将会以"python