Fetch 抓取是指,Hive 中对某些情况的查询可以不必使用 MapReduce 计算。例如:SELECT * FROM employees;
在这种情况下,Hive 可以简单地读取 employees 对应的存储目录下的文件,然后输出查询结果到控制台。 在 hive-default.xml.template 文件中 hive.fetch.task.conversion 默认是 more,老版本 hive 默认是 minimal,该属性修改为 more 以后,全局查找、字段查找、limit 查找等都不走 mapreduce。
大多数的 Hadoop Job 是需要 Hadoop 提供的完整的可扩展性来处理大数据集的。不过, 有时 Hive 的输入数据量是非常小的。在这种情况下,为查询触发执行任务消耗的时间可能会比实际 job 的执行时间要多的多。对于大多数这种情况,Hive 可以通过本地模式在单台机器上处理所有的任务。对于小数据集,执行时间可以明显被缩短。
用户可以通过设置 hive.exec.mode.local.auto 的值为 true,来让 Hive 在适当的时候自动启动这个优化。
小表join大表
将 key 相对分散,并且数据量小的表放在 join 的左边,这样可以有效减少内存溢出错误发生的几率;再进一步,可以使用 map join 让小的维度表(1000 条以下的记录条数)先进内存。在 map 端完成 reduce。
新版的hive已经对join做了优化,小表放在左边或者右边已经没有明显区别。
大表join大表
空key过滤,where col is not null;有时join超时是因为某些key对应的数据太多,而相同的key都会发送到相同的reducer上,从而导致内存不够,所以需要对异常key进行过滤。
空key转换,为空字段赋一个随机值,使得数据随机均匀地分布在不同的reducer上。否则,可能会出现数据倾斜,即:某些reducer的资源消耗远大于其他reducer;from a full join b on case when b.id is null then concat('hive', rand()) else b.id end = o.id;
MapJoin
如果不指定 MapJoin 或者不符合 MapJoin 的条件,那么 Hive 解析器会将 Join 操作转换成 Common Join,即:在 Reduce 阶段完成 join。容易发生数据倾斜。可以用 MapJoin 把小表全部加载到内存在 map 端进行 join,避免 reducer 处理。
开启:set hive.auto.convert.join = true;
默认为true
大小表的阈值设置(默认约25M以下认为是小表):set hive.mapjoin.smalltable.filesize = 25,000,000
group by
默认情况下,Map阶段同一key数据分发给一个reduce,当一个key数据过大时就倾斜了。
并不是所有的聚合操作都需要在 Reduce 端完成,很多聚合操作都可以先在 Map 端进行部分聚合,最后在 Reduce 端得出最终结果。
参数设置
在Map端进行聚合(默认为true):hive.map.aggr = true
在Map端进行聚合操作的条目数量:hive.groupby.mapaggr.checkinterval = 100000
有数据倾斜时进行负载(默认为false):hive.groupby.skewindata = true
当选项设置为true时,生成的执行计划会有两个MR Job。第一个,Map输出结果会随机分布到Reduce中,每个Reduce做部分聚合操作,并输出结果。结果是相同的Group By Key有可能被分发到不同的Reduce中,从而达到负载均衡的目的。第二个,根据预处理的数据结果按照Group By Key分布到Reduce中(保证相同的Group By Key 被分布到同一个Reduce中),最后完成最终的聚合操作。
Count(distinct) 去重操作
count distinct操作需要用一个Reduce Task来完成,如果数据量太大,就会导致整个Job很难完成。一般count distinct使用先group by再count的方式替换,虽然会多用一个Job来完成,但是在数据量大的情况下,这个绝对的值得的。
笛卡尔积
尽量避免,join的时候不加on条件,或者无效的on条件,hive只能使用一个reducer来完成笛卡尔积
行列过滤
列处理:少用select *,尽量使用分区过滤
行处理:当使用外键关联时,如果将副表过滤条件写在where后面,那么就会先全表关联,之后再过滤;可以通过子查询后,再关联表:left join (select id from ori where id < 10) on b.id = x.xx
动态分区调整
对分区表 Insert 数据时候,数据库自动会根据分区字段的值,将数据插入到相应的分区中,使用hive的动态分区,需要进行相应的配置。 配置
开启(默认true):hive.exec.dynamic.partition=true
设置为非严格模式(默认strict,表示必须指定至少一个分区为静态分区,nonstrict,表示允许所以的分区字段都可以使用动态分区):hive.exec.dynamic.partition.mode=nonstrict
在所有执行 MR 的节点上,最大一共可以创建多少个动态分区:hive.exec.max.dynamic.partitions=1000
在每个执行 MR 的节点上,最大可以创建多少个动态分区:hive.exec.max.dynamic.partitions.pernode=100
整个 MR Job 中,最大可以创建多少个 HDFS 文件:hive.exec.max.created.files=100000
当有空分区生成时,是否抛出异常。一般不需要设置:hive.error.on.empty.partition=false
合理设置Map数
通常情况下,作业会通过input目录产生一个或多个map任务。
主要决定因素有:input文件总个数、input文件的大小、集群设置的文件块大小
map是不是越多越好?
否。如果一个任务有很多小文件(远远小于块大小 128m),则每个小文件也会被当做一个块,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
是不是保证每个 map 处理接近 128m 的文件块,就高枕无忧了?
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。
小文件进行合并
在map执行前合并小文件,减少map数;CombineHiveInputFormat 具有对小文件进行合并的功能;set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
复杂文件增加map数
当 input 的文件都很大,任务逻辑复杂,map 执行非常慢的时候,可以考虑增加 Map 数,来使得每个 map 处理的数据量减少,从而提高任务的执行效率。
增加 map 的方法为:根据 computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M
公式,调整 maxSize 最大值。让 maxSize 最大值低于 blocksize 就可以增加 map 的个数。
合理设置Reduce数
方法一 每个Reduce处理的数据量默认是256MB; hive.exec.reducers.bytes.per.reducer=256000000
每个任务最大的 reduce 数,默认为 1009; hive.exec.reducers.max=1009
计算 reducer 数的公式:N=min(参数 2,总输入数据量/参数 1)
方法二
在 hadoop 的 mapred-default.xml 文件中修改
设置每个 job 的 Reduce 个数:set mapreduce.job.reduces = 15;
reduce 个数是不是越多越好?
过多的启动和初始化 reduce 也会消耗时间和资源。
有多少个 reduce,就会有多少个输出文件,如果生成了很多个小文件,那么如果这些小文件作为下一个任务的输入,则也会出现小文件过多的问题。
默认情况下,Hive 一次只会执行一个阶段(如: MapReduce 阶段、抽样阶段、合并阶段、limit 阶段)。不过,某个特定的 job 可能包含众多的阶段,而这些阶段可能并非完全互相依赖的,也就是说有些阶段是可以并行执行的,这样可能使得整个 job 的执行时间缩短。
打开任务并行执行:set hive.exec.parallel=true;
同一个 sql 允许最大并行度,默认为 8:set hive.exec.parallel.thread.number=16;
Hive 提供了一个严格模式,可以防止用户执行那些可能意想不到的不好的查询。
通过设置属性 hive.mapred.mode 值,默认是非严格模式 nonstrict, 开启严格模式需要修改 hive.mapred.mode 值为 strict。
开启严格模式可以禁止三种类型的查询:
分区表select时必须指定分区字段过滤条件来限制范围
换句话说,就是用户不允许扫描所有分区。进行这个限制的原因是,通常分区表都拥有非常大的数据集,而且数据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表。
order by必须和limit一起使用
order by 为了执行排序过程会将所有的结果数据分发到同一个 Reducer 中进行处理,强制要求用户增加这个 LIMIT 语句可以防止 Reducer 额外执行很长一段时间。
限制笛卡尔积的查询
对关系型数据库非常了解的用户可能期望在执行 JOIN 查询的时候不使用 ON 语句而是使用 where 语句,这样关系数据库的执行优化器就可以高效地将 WHERE 语句转化成那个 ON 语句。不幸的是,Hive 并不会执行这种优化,因此,如果表足够大,那么这个查询就会出现不可控的情况。
Hadoop 的默认配置通常是使用派生 JVM 来执行 map 和 Reduce 任务的。这时 JVM 的 启动过程可能会造成相当大的开销,尤其是执行的 job 包含有成百上千 task任务的情况。JVM 重用可以使得 JVM 实例在同一个 job 中重新使用 N 次。
缺点:开启 JVM 重用将一直占用使用到的 task 插槽,以便进行重用,直到任务完成后才能释放。 如果某个“不平衡的”job 中有某几个 reduce task 执行的时间要比其 他 Reduce task 消耗的时间多的多的话,那么保留的插槽就会一直空闲着却无法被其他的 job 使用,直到所有的 task 都结束了才会释放。
根据一定的法则推测出“拖后腿”的任务,并为这样的任务启动一个备份任务,让该任务与原始任务同时处理同一份数据,并最终选用最先成功运行完成任务的计算结果作为最终结果。
如果用户对于运行时的偏差非常敏感的话,那么可以将这些功能关闭掉。如果用户因为输入数据量很大而需要执行长时间的 map 或者 Reduce task 的话,那么启动推测执行造成的浪费是非常巨大的。
EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query