数据架构

数据处理过程

案例

数据采集

数据存储

HDFS

read HDFS^[1]
write HDFS^[2]

数据计算

离线计算

MapReduce

2个reduce task 的数据流^[3]
map size 公式 : max{ ${mapred.min.split.size},min(${dfs.block.size},${mapred.max.split.size})}
透视 MapReduce1 Job ^[4]
透视MapReduce on YARN^[5]

实时计算

Storm

内存计算

Spark

Hive

hive 架构^[6]<\sup>

hive常见问题总结

内存相关配置

set mapred.child.java.opts=-Xmx200m;  #设置task启动的java虚拟机能够从操作系统那里挖到最大内存大小,建议为内存一半.
set mapreduce.task.io.sort.mb=573; #默认是100
set mapred.child.java.opts -Xmx200m;
set mapreduce.map.java.opts -Xmx1024m
set mapreduce.reduce.java.opts  -Xmx1228m
set mapreduce.task.io.sort.mb=950
--------------
mapreduce.map.memory.mb 1024
mapreduce.reduce.memory.mb  1536
yarn.nodemanager.resource.memory-mb 153600
yarn.app.mapreduce.am.resource.mb   896

数据倾斜
group by
Group过程的数据倾斜，set hive.map.aggr=true (默认开启)，在map端完成聚合，来优化倾斜。也就是在mapper内部，做部分的聚合，来输出更少的行，减少需要排序和分发到reducer的数据量。
Hive在尝试做此优化，不过会判断aggregation的效果，如果不能节省足够的内存，就会退回标准map过程。也就是在处理了100000 行（hive.groupby.mapaggr.checkinterval 控制)后，检查内存中的hash map的项，如果超过50%(hive.map.aggr.hash.min.reduction 控制），则认为聚合会被终止。
Hive同样会估计hash map中每一项所需要的内存，当使用的内存超过了mapper可用内存的50%（ hive.map.aggr.hash.percentmemory 控制），则会把flush此hash map到reducers。然而这是对行数和每行大小的估计，所以如果实际值过高，可能导致还没有flush就out of memory了。
当出现这种OOM时，可用减少hive.map.aggr.hash.percentmemory，但是这个对内存增长与行数无关的数据来说，不一定是有效的。这个时候，可以使用关闭以下方法，

map端聚合set hive.map.aggr=false，
给mapper分配更多的内存
重构query查询。利用子查询等方法，优化查询语句

select count(distinct v) from tbl
改写成
select count(1) from (select v from tbl group by v) t.

Group过程倾斜，还可以开启hive.groupby.skewindata=true来改善，这个是让key随机分发到reducer，而不是同样的key分发到同一个reducer，然后reduce做聚合，做完之后再做一轮map-reduce。这个是把上面提到的map端聚合放到了reduce端，增加了reducer新的开销，大多数情况效果并不好。

join

map join可以解决大表join小表时候的数据倾斜
skew join是hive中对数据倾斜的一个解决方案，set hive.optimize.skewjoin = true;
根据hive.skewjoin.key（默认100000）设置的数量hive可以知道超过这个值的key就是特殊key值。对于特殊的key，reduce过程直接跳过，最后再启用新的map-reduce过程来处理。
业务数据本身的倾斜，可以从业务数据特点本身出发，通过设置reduce数量等方式，来避免倾斜

Hive SQL编译为MapReduce的过程

MapReduce实现基本SQL操作的原理
Join的实现原理
Group By的实现原理
Distinct的实现原理
SQL转化为MapReduce的过程
Phase1 SQL词法，语法解析
Phase2 SQL基本组成单元QueryBlock
Phase3 逻辑操作符Operator
Phase4 逻辑层优化器
Phase5 OperatorTree生成MapReduce Job的过程
Phase6 物理层优化器
Hive SQL编译过程的设计

图解数据