Hive函数及性能优化

一.Hive函数分类

从输入输出角度分类

• 标准函数：一行数据中的一列或多列为输入，结果为单一值
• 聚合函数：多行的零列到多列为输入，结果为单一值
• 表生成函数：零个或多个输入，结果为多列或多行

从实现方式分类

• 内置函数
• 自定义函数
• 1)UDF：自定义标准函数
• 2)UDAF：自定义聚合函数
• 3)UDTF：自定义表生成函数

内置函数
Hive提供大量内置函数供开发者使用

• 标准函数
• 1)字符函数
• 2)类型转换函数
• 3)数学函数
• 4)日期函数
• 5)集合函数
• 6)条件函数
• 聚合函数
• 表生成函数

查看函数用法的命令:desc function 函数名;
详情请看hive函数大全:hive函数大全

二.Hive UDF开发流程

1)继承UDF类或GenericUDF类
2)重写evaluate()方法并实现函数逻辑
3)编译打包为jar文件
4)上传到正确的HDFS路径或linux本地路径
5)使用jar创建临时/永久函数
6)调用函数
临时函数:临时创建,退出终端后函数消失,在函数的有效期内,所有的数据库都可以使用;
永久函数:永久性使用,需要将jar包放到hdfs上,切换到其他数据库不可用;
练习请看如下链接:hive自定义函数

三.Hive事务

事务（Transaction ）指一组单元化操作，这些操作要么都执行，要么都不执行
ACID特性

• Atomicity：原子性
• Consistency：一致性
• Isolation：隔离性
• Durability：持久性

Hive事务的特点和局限
V0.14版本开始支持行级事务

• 支持INSERT、DELETE、UPDATE(v2.2.0开始支持Merge)
• 文件格式只支持ORC

局限

• 表必须是bucketed表
• 需要消耗额外的时间、资源和空间
• 不支持开始、提交、回滚、桶或分区列上的更新
• 锁可以为共享锁或排它锁(串联的而不是并发)
• 不允许从一个非ACID连接读写ACID表
• 使用较少

Hive事务的开启和设置

• 通过Hive命令行方式设置,当前session有效
• 通过配置文件设置，全局有效
• 通过UI工具（如Ambari)设置

-- 通过命令行方式开启事务
set hive.support.concurrency = true;
set hive.enforce.bucketing = true;
set hive.exec.dynamic.partition.mode = nonstrict;
set hive.txn.manager = org.apache.hadoop.hive.ql.lockmgr.DbTxnManager;
set hive.compactor.initiator.on = true;
set hive.compactor.worker.threads = 1; 

-- 通过配置文件hive-site.xml
<property> 
<name>hive.support.concurrencyname> 
<value>truevalue>
 property>
 <property> 
<name>hive.txn.managername> <value>org.apache.hadoop.hive.ql.lockmgr.DbTxnManagervalue>
property>

Hive PLSQL：Hive存储过程（v2.0之后）

• 支持SparkSQL和Impala
• 兼容Oracle、DB2、MySQL、TSQL标准
• 使将现有的过程迁移到Hive变得简单和高效
• 使编写UDF不需要Java技能
• 它的性能比Java UDF稍微慢一些
• 功能较新

在Hive2 bin目录下运行./hplsql

./hplsql -f plsql_demo.pl
RETURNS STRING 
BEGIN RETURN 'Hello, ' || text || '!'; 
END;
Print hello(' word') 

CREATE PROCEDURE getCount()
BEGIN DECLARE cnt INT = 0;	
SELECT COUNT(*) INTO cnt FROM employee;
PRINT 'Users cnt: ' || cnt;
END;
call getCount();

四. Hive性能调优

1.Hive性能调优工具 - EXPLAIN

EXPLAIN：显示查询语句的执行计划，但不运行
语法:

EXPLAIN [EXTENDED|DEPENDENCY|AUTHORIZATION] hive_query

• EXTENDED:提供执行计划关于操作的额外信息，比如文件路径
• DEPENDENCY:提供JSON格式输出，包括查询所依赖的表和分区列表
• AUTHORIZATION:列出所有需要授权的实体，包括查询的输入输出和授权失败
  通过工具生成可视化执行计划

2.Hive性能调优工具 - ANALYZE

ANALYZE：分析表数据，用于执行计划选择的参考

• 收集表的统计信息，如行数、最大值等
• 使用时调用该信息加速查询
  语法:

ANALYZE TABLE employee COMPUTE STATISTICS; 

ANALYZE TABLE employee_partitioned 
PARTITION(year=2014, month=12) COMPUTE STATISTICS;

ANALYZE TABLE employee_id COMPUTE STATISTICS 
FOR COLUMNS employee_id;

3.Hive优化设计

• 使用分区表、桶表
• 使用适当的文件格式，如orc, avro, parquet
• 使用适当的压缩格式，如snappy
• 考虑数据本地化 - 增加一些副本
• 避免小文件
• 使用Tez引擎代替MapReduce
• 使用Hive LLAP(在内存中读取缓存)
• 考虑在不需要时关闭并发

4.Job优化 - 本地模式运行

Hive支持将作业自动转换为本地模式运行

• 当要处理的数据很小时，完全分布式模式的启动时间比作业处理时间要长

-- 通过以下设置开启本地模式
SET hive.exec.mode.local.auto=true; --default false 
SET hive.exec.mode.local.auto.inputbytes.max=50000000; 
SET hive.exec.mode.local.auto.input.files.max=5; --default 4

Job必须满足以下条件才能在本地模式下运行

• Job总输入大小小于 hive.exec.mode.local.auto. inputbytes.max
• map任务总数小于 hive.exec.mode.local.auto. input.files.max
• 所需的Reduce任务总数为1或0

5.Job优化 - JVM重用（JVM Reuse）

通过JVM重用减少JVM启动的消耗

• 默认每个Map或Reduce启动一个新的JVM
• Map或Reduce运行时间很短时，JVM启动过程占很大开销
• 通过共享JVM来重用JVM，以串行方式运行MapReduce Job
• 适用于同一个Job中的Map或Reduce任务
• 对于不同Job的任务，总是在独立的JVM中运行

-- 通过以下设置开启JVM重用
set mapred.job.reuse.jvm.num.tasks = 5;  -- 默认值为1

6.Job优化 - 并行执行

并行执行可提高集群利用率

• Hive查询通常被转换成许多按默认顺序执行的阶段
• 这些阶段并不总是相互依赖的
• 它们可以并行运行以节省总体作业运行时间
• 如果集群的利用率已经很高，并行执行帮助不大

-- 通过以下设置开启并行执行
SET hive.exec.parallel=true;  -- default false 
SET hive.exec.parallel.thread.number=16;  -- default 8,定义并行运行的最大数量

7.查询优化

自动启动Map端Join
防止数据倾斜set hive.optimize.skewjoin=true;
启用CBO(Cost based Optimizer)

set hive.cbo.enable=true; 
set hive.compute.query.using.stats=true; 
set hive.stats.fetch.column.stats=true; 
set hive.stats.fetch.partition.stats=true;	

启动Vectorization（矢量化）

set hive.vectorized.execution.enabled = true; 
set hive.vectorized.execution.reduce.enabled = true;

使用CTE、临时表、窗口函数等

8.数据倾斜

某些节点计算的能力较差或者由于此节点需要计算的数据比较多，导致数据倾斜
在hive中产生数据倾斜的场景：

• 1.group by产生数据倾斜-->开启Map端聚合参数设置
• 2.大表和小表进行join操作-->使用mapjoin 将小表加载到内存
• 3.空值产生的数据倾斜-->1)id为空的不参与关联2)给空值分配随机的key值
• 4.小文件过多或文件过于复杂-->合理设置map和reduce数

9.压缩算法

减少传输数据量，会极大提升MapReduce性能:采用数据压缩是减少数据量的很好的方式
常用压缩方法对比如下表:

压缩方式	可分割	压缩后大小	压缩解压速度
gzip	否	中	中
lzo	是	大	快
snappy	否	大	快
bzip2	是	小	慢