Hive性能调校
---提高Hive总体性能的若干技巧 刘宗全 2012-12-20
本报告主要就如何提高Hive执行的总体性能进行了调研，下面以分条的形式列举出来。
1. 设置hive.map.aggr=true，提高HiveQL聚合的执行性能。
这个设置可以将顶层的聚合操作放在Map阶段执行，从而减轻清洗阶段数据传输和Reduce阶段的执行时间，提升总体性能。
缺点：该设置会消耗更多的内存。
注：顶层的聚合操作（top-levelaggregation operation）,是指在group by语句之前执行的聚合操作。例如，
hive> SET hive.map.aggr=true;
hive> SELECTcount(*), avg(salary)FROM employees group by ** having max()>1
2. 显示数据时，使用“local mode”可避免启动MapReduce，显著提升性能。
当执行“select * from table”时，Hive会简单地仅仅从表中读取数据并将格式化的数据输出到控制端，这个过程不会生成MapReduce程序。而对于其它类型的查询，比如指定字段或者包含表关联的查询等，Hive会使用MapReduce执行这些查询。若想避免这些查询的MapReduce执行，可以设置hive.exec.mode.local.auto=true; 这样的话，Hive会尝试在本地执行相关查询并将数据显示出来。
注：这种情况下，Hive查询的数据可能不全，只是一个结点上的数据，可供测试查询使用。
3. （陷阱）浮点数的比较
hive> SELECT name, salary, deductions['Federal Taxes']
> FROM employeesWHERE deductions['Federal Taxes'] >0.2;
其中deductions['FederalTaxes']为Double类型数据。
查出的数据实际上是>=0.2的记录。
原因：IEEE的浮点数表示，它影响几乎所有的程序！
简单来说就是，对于0.2这个数值的在计算机中的Float表示为0.2000001，Double值为0.200000000001,都比0.2略大。
解决方法：使用cast函数。WHEREdeductions['Federal Taxes'] > cast(0.2 AS FLOAT);
4. Hive中进行表的关联查询时，尽可能将较大的表放在Join之后。
Hive在处理表的关联查询时，会默认对最后一张表执行streaming操作，也就是将其它的表缓存起来，将最后一张表与其它的表进行关联，这个操作只会读一遍这张最大的表，反之，该表会读取多次，特别是包含多张表时。另外，由于Join之前的表会默认缓存，如果大表放在前面的位置，也会造成内存的消耗。
但可以通过指令改变这种默认行为：
SELECT /*+ STREAMTABLE(s) */ s.ymd, s.symbol, s.price_close,d.dividend
FROM stocks s JOIN dividends d ON s.ymd = d.ymd AND s.symbol =d.symbol
WHERE s.symbol ='AAPL';
STREAMTABLE会告诉Hive的查询优化器将制定的表作为最大的表来处理。
5. 在where语句中添加分区过滤条件可加速查询的执行。
6. 避免笛卡尔积！
SELECTS * FROM stocks JOIN dividends; //没有指定ON条件，Hive会对两张表执行笛卡尔积连结！
SELECT * FROM stocks JOIN dividends
WHERE stock.symbol =dividends.symbol and stock.symbol='AAPL';// 在Hive中，连结操作会在where条件之前执行，所以这条语句与上一条语句执行时间相当！
SELECT * FROM stocks JOIN dividends ON stock.symbol =dividends.symbol;//这样才能真正执行Inner Join而不是笛卡尔积！
7. Map-side Join：Map端连结
SELECT /*+ MAPJOIN(d) */ s.ymd, s.symbol, s.price_close, d.dividend
FROM stocks s JOIN dividends d ON s.ymd = d.ymd AND s.symbol =d.symbol
WHERE s.symbol ='AAPL';
在Hive v0.7之前，MAPJOIN()会将指定的表，一般是较小的表，加载到内存中，这样整个连结过程会在Map段完成。这样可以避免产生冗余的中间数据（连结产生的中间表）同时也可以免除相应的Reduce操作，进而提高整体性能。
在Hive v0.7之后，需要设置hive.auto.convert.join=true，开启MapJoin功能。
注：另外也可以进行bucketMapJoin的优化，具体理解，待调研。
8. Order by vs. Sort by vs.Distribute By vs. Cluster By
这四个语句都和排序相关，但底层的执行细节不同。
Order By：会将所有的数据在一个reducer上执行，得到的结果是整体有序的。但是由于不能并发执行，所以效率比较低。
Sort By：排序操作在多个reducer上执行，得到的结果是局部有序（一个reducer内）的，但是整体数据不一定是严格有序的。另外，这个语句还可能造成数据的重叠和丢失。由于MapReduce是采用Hash的方式来组织数据的，所以当使用Sort By时，一个reducer的输出会覆盖另一个reducer的数据。
Distribute By：为Sort By而生！它可以修正SortBy带来的负面作用，避免数据的覆盖和丢失。Distribute By将保证具有相同的指定关键字的记录进入到同一个reducer进行处理，这样就可以避免reducer在输出数据时将不同reducer的记录放到同一个位置，从而造成数据的覆盖！
SELECT s.ymd, s.symbol, s.price_close
FROM stocks s
DISTRIBUTE BY s.symbol
SORT BY s.symbol ASC, s.ymd ASC;
Cluster By = Distribute By + Sort By！
但是除了Order By之外产生的所有排序结果默认情况下（除非修改mapred.reduce.tasks的值）都不能做到结果的整体有序。
9. 抽样查询
对于大量的数据，有时会需要查看数据的状态，比如是否有记录，其中的某个字段是否有值，但是若对整张表查询可能会比较耗时，另外得出的结果也不具有随机性。
Hive支持抽样查询èTableSample
例如，有一张表numbers,其中包含一个列number
hive> SELECT * from numbers TABLESAMPLE(BUCKET 3 OUT OF 10 ONrand()) s;
2
4
rand()返回一个随机值，这里对应结果的条数。
hive> SELECT * from numbersTABLESAMPLE(BUCKET 3 OUT OF 10 ON number) s;
2
如果不用rand()而是特定的列名，那么在多次运行中，返回的结果是确定的。
在Bucket语句中，分母(eg.10)代表数据会被散列到的桶的数目，分子代表被选中的桶的编号。
除了按桶抽样，也可以按块进行抽样：
SELECT * FROM numbersflatTABLESAMPLE(0.1 PERCENT) s;
注：按块抽样的最小抽样单元是一个HDFS的块，默认情况下，如果表的大小小于128MB，那么所有的列将会被抽出，无论设置的百分比是多少！
10. UNION ALL è 同时返回多张表的查询结果
SELECT log.ymd, log.level, log.message
FROM (
SELECT l1.ymd, l1.level,
l1.message, 'Log1' AS source
FROM log1 l1
UNION ALL
SELECT l2.ymd, l2.level,
l2.message, 'Log2' AS source
FROM log1 l2
) log
SORT BY log.ymd ASC;
注：要求两个表查询结果的字段的个数和类型必须一致!
11. （技巧）EXPLAIN/EXPLAIN EXTENDED è展开查询计划树，可以作为优化查询的工具。
12. Limit 优化 è hive.limit.optimize.enable=true
可以避免查询中对整张表的query，它受一下两个条件的约束：
how much size we need to guarantee each row to have at least.
maximum number of files we can sample.
13. 本地模式èlocal mode
对于输入数据比较多，但是每个文件又特别的小的情况下，这样可以避免调用task造成的开销：
set oldjobtracker=${hiveconf:mapred.job.tracker};
set mapred.job.tracker=local;
set mapred.tmp.dir=/home/edward/tmp;
SELECT * from people WHERE firstname=bob;
… …
setmapred.job.tracker=${oldjobtracker};
14. 并行执行è hive.exec.parallel=true
Hive将一个query语句转换成多阶段任务来执行，每次执行一个阶段的任务。
当被解析成的多个阶段之间不存在依赖的时候，可以让多个阶段的任务并行执行，这可以大大加快任务执行的速度，但同时也许需要更多的集群资源。
15. Mapper与Reducer数量的优化
折衷：数量太大，会导致任务的启动、调度和运行过程的开销太大；数量太小，无法很好地利用集群的并发特性。
Hive会在接收到查询任务后，根据输入数据的大小评估所需要的reducer数量，但这个过程需要时间开销。默认的hive.exec.reducers.bytes.per.reducer是1GB，也可以改变这个值。
如何自己评估输入数据的大小？
[edward@etl02 ~]$ hadoop dfs -count /user/media6/fracture/ins/* |tail -4
1 82614608737 hdfs://.../user/media6/fracture/ins/hit_date=20120118
1 72742992546 hdfs://.../user/media6/fracture/ins/hit_date=20120119
1 172656878252 hdfs://.../user/media6/fracture/ins/hit_date=20120120
1 2 362657644hdfs://.../user/media6/fracture/ins/hit_date=20120121
注：当在执行Hadoop任务时，特别是hadoop-streaming脚本，如果只有mapper而没有reducer的话，可以将reducer数量设为0，这可以作为解决数据倾斜的一种方法！
16. JVM 复用 è 在一个JVM实例上运行多个mapreduce任务，减少创建jvm实例的开销
JVM Reuse | 139
缺点：会造成潜在的集群资源的浪费。
17. 探测性执行（Speculative Execution）
所谓探测性执行，是指Hadoop会启动同一个任务的多个副本在集群上执行，但它会丢弃该阶段的产生的多个副本的数据。
这个阶段会消耗更多的集群资源，目的是为了探测执行较慢的TaskTrackers，并将它们列入黑名单，进而提升整体工作流程的性能。
may be executed in parallel.
may be executed in parallel.
18. 虚拟列
Hive提供了三个虚拟列：INPUT__FILE__NAME,BLOCK__OFFSET__INSIDE__FILE和ROW__OFFSET__INSIDE__BLOCK。但ROW__OFFSET__INSIDE__BLOCK默认是不可用的，需要设置hive.exec.rowoffset为true才可以。可以用来排查有问题的输入数据。
hive> SELECT INPUT__FILE__NAME, BLOCK__OFFSET__INSIDE__FILE, line
> FROM hive_text WHERE line LIKE '%hive%' LIMIT 2;
har://file/user/hive/warehouse/hive_text/folder=docs/
data.har/user/hive/warehouse/hive_text/folder=docs/README.txt 2243
har://file/user/hive/warehouse/hive_text/folder=docs/
data.har/user/hive/warehouse/hive_text/folder=docs/README.txt 3646
hive> set hive.exec.rowoffset=true;
hive> SELECT INPUT__FILE__NAME, BLOCK__OFFSET__INSIDE__FILE,
> ROW__OFFSET__INSIDE__BLOCK
> FROM hive_text WHERE line LIKE '%hive%' limit 2;
file:/user/hive/warehouse/hive_text/folder=docs/README.txt 2243 0
file:/user/hive/warehouse/hive_text/folder=docs/README.txt3646 0