Hive入门（二）之Hive调优

在项目开发过程中，使用hive进行数据处理和分析的时候经常会出现问题，如：GC，数据倾斜，这些都是老生常谈的问题了，下面概括几个常用的hive调优方法

Hive调优

1）map端join

1）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CommonJoin，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。
2）set  hive.auto.convert.join=true;

2）行列过滤

行处理：在SELECT中，只拿需要的列，如果有，尽量使用分区过滤，少用SELECT*
列处理：表关联的时候，先在on前面加上过滤条件，这样会先过滤再关联表；如果在where后面加过滤条件，会先全表关联再过滤

3）使用Tez计算引擎

命令行：set hive.execution.engine=tez;
修改配置文件

4）采用分区、分桶技术

但少用动态分区

5）并行度优化

1）调整map数量
	增加map数量的情况：任务产生的小文件大小接近块大小，但是文件的结构非常简单，只有一个或两个字段，却有上千万条的数据，如果map数量过少，每个map处理的逻辑又非常复杂的话，这也非常耗时。这时需要适当增加map数量去分担压力
	
	减少map数量的情况：任务产生小文件过多，每个小文件大小远小于块大小（128M），每个小文件消耗一个map，map的启动和初始化时间远大于map的逻辑处理时间，这样非常消耗性能，浪费资源

2）调整reduce数量
	通过修改参数手动设置reduce数量
	根据数据量大小合理设置reduce数量

扩展：
	mapTask数量由split切片决定，这里mapTask数量指的就是map数量：
	1）文件大小小于128M（默认块大小），有多少个文件就有多少个mapTask
	2）文件大小大于128M，根据切分规则，有多少个切分就有多少个mapTask
	3）根据切片规则计算map数量的Hadoop中map源码公式：
	computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M
	（默认切片大小blockSize是128M，minSize大小默认是1M，maxSize默认>128M）

6）小文件问题

1）小文件合并：
	map端开启combiner： set hive.map.aggr = true
	合并map端输出文件：  hive.merge.mapfiles = true
	合并reduce端输出文件：hive.merge.mapredfiles = true

2）存储格式：
	Sequencefile存储格式代替默认的textfile存储格式一定程度上可以减少小文件

7）存储格式、压缩格式

1）般企业里使用ORC或者Parquet，因为是列式存储，且压缩比非常高，查询速度快，占用硬盘空间少
2）ORCfile存储格式可以提高join查询速度

8）减少count（distinct）

	使用distinct容易造成数据倾斜，因为用了distinct就无法在map端进行combiner操作，可能会导致reduce端拉取数据计算的时候因处理逻辑过于复杂、数据量过大而遇到瓶颈

9）设置本地模式、并行模式、严格模式

本地模式：set hive.exec.mode.local.auto=true;默认为false

并行模式：set hive.exec.parallel=true;              //打开任务并行执行
		 set hive.exec.parallel.thread.number=16;  //同一个sql允许最大并行度，默认为8。

严格模式：hive的严格模式可以防止用户执行哪些可能产生不好影响的查询
		 开启严格模式需要将hive.mapred.mode的值从默认的nonstrict，修改为strict
		 开启严格模式会禁止以下操作：
		 	1）限制笛卡尔积的查询
		 	2）对于使用了order by语句的查询，后面必须接limit语句，防止处理排序的那个reducer执行时间过长
		 	3）对于分区表，需要加上where 分区字段，不允许用户扫描全表，不允许扫描所有分区

10）开启JVM重用
在实际生产环境一般都会开启JVM重用

当小文件过多或者task特别多的时候，Hadoop默认配置通常是派生JVM来执行map和Reduce任务，一个task伴随一次JVM的启动和销毁，当一个job中包含成百上千个task任务时，JVM重用可以使得JVM实例在同一个job中重复使用n次，n的值在mapred-site.xml文件中配置。

  mapreduce.job.jvm.numtasks</name>
  10</value>
  通常在10-20之间，设定为-1表示无论task有多少个都重用一个JVM实例。</description>
</property>