大数据之Hive总结（下）

本文篇幅略大，主要包括Hive的查询、自定义函数和Hive的优化总结。

Hive的查询（HQL）

注意：HQL是SQL的一个子集，可以满足基本的SQL语句使用，但是有些SQL不能使用，比如非相等的join连接等。Hive暂时也不支持物化视图。

数据源

1. 创建部门表

    create table dept
    (deptno int,dname string,loc string)
    row format delimited fields terminated by ',';
   

2. 导入数据

    load data local inpath '/root/temp/dept.csv' into table dept;
   

3. 创建员工表

    create table emp1
    (empno int,
    ename string,
    job   string,
    mgr   int,
    hiredate string,
    sal   int,
    comm  int,
    deptno int
    )row format delimited fields terminated by ',';
   

4. 导入数据

    load data local inpath '/root/temp/emp.csv' into table dept;
   

执行查询

1、查询所有的员工信息

 select * from emp1;

2、查询员工信息：员工号 姓名 月薪 部门号

select empno,ename,sal,deptno from emp1;

3、多表查询

只支持：等连接，外连接，左半连接
不支持非相等的join条件

   select dept.dname,emp1.ename
   from emp1,dept
   where emp1.deptno=dept.deptno;

4、子查询：只支持from和where子句中的子查询

	//查询部门名称是SALES的员工信息
	select *
	from emp1
	where emp1.deptno in (select deptno from dept where dname='SALES');

5、Hive的函数

和关系型数据库类似，Hive中也有一些常用函数在执行查询时可以直接使用，常见函数有（详见Hive编程指南82页）：

函数类型	关键字
数学函数	round、ceil、floor
字符函数	lower、upper、length、concat、substr、trim、lpad、rpad
收集函数	size
日期函数	to_date、year、month、day、weekofyear、datediff、date_add、date_sub
条件函数	if、coalesce、case… when…
聚合函数	count、sum、min、max、avg

6、条件函数（条件表达式，就是一个if…else…语句）

• if

• coalesce

• case… when…

    //需求：做一个报表，列出涨前和涨后的工资
    //按照员工的职位来涨工资：总裁：1000    经理：800  其他：400
    
    select empno,ename,job,sal,
         case job when 'PRESIDENT' then sal+1000
    	          when 'MANAGER'then sal+800
    			  else sal+400
         end
    from emp1;
    结果：
    7369	SMITH	CLERK		800		1200
    7499	ALLEN	SALESMAN	1600	2000
    7521	WARD	SALESMAN	1250	1650
    7566	JONES	MANAGER		2975	3775
    7654	MARTIN	SALESMAN	1250	1650
    7698	BLAKE	MANAGER		2850	3650
    7782	CLARK	MANAGER		2450	3250
    7788	SCOTT	ANALYST		3000	3400
    7839	KING	PRESIDENT	5000	6000
    7844	TURNER	SALESMAN	1500	1900
    7876	ADAMS	CLERK		1100	1500
    7900	JAMES	CLERK		950		1350
    7902	FORD	ANALYST		3000	3400
    7934	MILLER	CLERK		1300	1700
  

Hive的客户端操作：JDBC

使用JDBC需要使用Java的API，以及一些相应的驱动jar包，个人觉得JavaAPI的方式查询Hive比较少用，就不总结代码了，实际上代码跟关系型数据库的JDBC差不多，只是配置参数等内容有所不同。

1. 启动Hive的远程服务：hiveserver2
2. 将Hive安装目录下的jar添加至当前编程环境（或者使用maven编写程序）
3. 编写程序执行操作

Hive的自定义函数：本质是Java程序

自定义函数（UDF） ：User Defined Function，可以直接应用于select语句，对查询结构做格式化处理后，再输出内容

Hive自定义函数的实现细节（封装业务逻辑）

• 自定义UDF需要继承org.apache.hadoop.hive.ql.UDF
• 需要实现evaluate函数，将所需的业务逻辑写在evaluate函数里。evaluate函数支持重载

Hive自定义函数案例

案例一：实现关系型数据库中concat函数（即拼加两个字符串）

	import org.apache.hadoop.hive.ql.exec.UDF;
	
	//实现关系型数据库中concat函数
	public class MyConcatString extends UDF{
	
		//必须重写一个方法，名字必须叫: evaluate
		public String evaluate(String a,String b){
			return a+b;
		}
	}

案例二：判断员工表中工资的级别

import org.apache.hadoop.hive.ql.exec.UDF;

/*
 * 根据员工的薪水，判断薪水的级别
 * sal < 1000     ----> Grade A
 * 1000<=sal <3000 ---> Grade B
 * sal >=3000      ---> Grade C
 */
public class CheckSalaryGrade extends UDF {

	public String evaluate(String salary){
		int sal = Integer.parseInt(salary);
		
		if(sal < 1000) return "Grade A";
		else if(sal>=1000 && sal<3000) return "Grade B";
		else return "Grade C";
	}
}

Hive自定义函数的部署

1. 把程序打包（jar包）放到目标机器上去，比如放到Linux的/root/temp/路径下

2. 进入hive客户端，添加jar包，把jar加入Hive的Classpath：
   hive> add jar /root/temp/udf.jar;

3. 创建临时函数，即创建别名（为了更方便地调用自定义函数）

    create temporary function myconcat as 'udf.MyConcatString';
    create temporary function checksalary as 'udf.CheckSalaryGrade';
   

Hive自定义函数的调用

查询HQL语句：

1. 使用自定义的myconcat函数进行查询

    select myconcat(ename,job) from emp;
   

2. 使用自定义的checksalary函数进行查询

    select ename,sal,checksalary(sal) from emp;
   

销毁临时函数

    DROP TEMPORARY FUNCTION checksalary;

Hive的优化

一、 Fetch Task

在执行上面的查询时，发现大部分情况下查询都会触发一个MapReduce任务（job），即使是简单的查询表中的某几列，也会触发，导致查询的速度变慢，也增加了无谓的开销。只有极少情况比如SELECT * FROM emp 或者 WHERE语句中过滤条件只是分区字段 这些情况不会触发MapReduce，也就是所谓的本地模式。在这种情况下，Hive可以简单地读取emp对应的存储目录下的文件，然后输出格式化后的内容。
所以，在执行某些查询时，如果可以尽可能地避免触发MapReduce，而是将其运行为FetchTask，就可以对查询速度进行优化。FetchTask是可以说是Hive的各种任务中最简单的一种了，它不同于MapReduce任务，它不会启动mapreduce，而是直接读取文件，输出结果。

设置FetchTask的三种方法

1. set hive.fetch.task.conversion=more;
   执行查询前，在hive的shell命令行上输入这条语句，就可以完成设置

    hive> set hive.fetch.task.conversion=more;
   

2. hive --hiveconf hive.fetch.task.conversion=more
   在启动hive的同时，就设置FetchTask的参数，即加上–hiveconf hive.fetch.task.conversion=more

3. 修改配置文件
   上面的两种方法都是临时的，只在当前会话或状态有效，要想一直保持这种优化效果，就要修改配置文件。修改配置文件也有两种方式，根据自己安装hive的配置来选择。

• 修改hive-site.xml
  如果在安装hive时，只是配置了hive-site.xml文件，那么就可以直接在hive-site.xml文件中加入hive.fetch.task.conversion=more的配置，具体的配置如下：

	  hive.fetch.task.conversion
	  more
	  
	    Some select queries can be converted to single FETCH task 
	    minimizing latency.Currently the query should be single 
	    sourced not having any subquery and should not have
	    any aggregations or distincts (which incurrs RS), 
	    lateral views and joins.
	    1.minimal : SELECT STAR, FILTER on partition columns, LIMIT only
	    2.more    : SELECT, FILTER, LIMIT only (+TABLESAMPLE, virtual columns)
	  

• 修改hive-default.xml
  而如果在安装hive时配置的是hive-default.xml文件，那么就需要在hive-default.xml文件中修改，修改的内容同上。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，在全局查找、字段查找、limit查找等都不会触发mapreduce。

	  hive.fetch.task.conversion
	  more
	  
	    Some select queries can be converted to single FETCH task 
	    minimizing latency.Currently the query should be single 
	    sourced not having any subquery and should not have
	    any aggregations or distincts (which incurrs RS), 
	    lateral views and joins.
	    1.minimal : SELECT STAR, FILTER on partition columns, LIMIT only
	    2.more    : SELECT, FILTER, LIMIT only (+TABLESAMPLE, virtual columns)
	  

二、本地模式

上面的Fetch Task有提及到本地模式，Fetch Task就是以本地模式运行的。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。

设置本地模式的两种方法

跟上面一样，设置参数可以在命令行的形式下设置，也可以通过修改配置文件来完成

1. 命令行输入
   在hive shell的命令行上输入该命令，就可以打开本地模式

    hive> set hive.exec.mode.local.auto=true;
   

2. 修改配置文件
   在.hiverc配置文件中设置hive.exec.mode.local.auto的值为true
   而如果是想对所有用户都使用这个配置，可以将这个配置项增加到hive-site.xml文件中。

三、表的优化

（一）小表、大表Join

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Group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。
但是，实际测试发现：新版的hive已经对小表JOIN大表和大表JOIN小表进行了优化。小表放在左边和右边已经没有明显区别。

（二）大表Join大表

1. 异常KEY过滤
   有时join超时是因为某些key对应的数据太多，而相同key对应的数据都会发送到相同的reducer上，从而导致内存不够。此时我们应该仔细分析这些异常的key，很多情况下，这些key对应的数据是异常数据，例如key对应的字段为空，我们需要在SQL语句中进行过滤，比如where子句。

2. 空key转换
   有时虽然某个key为空对应的数据很多，但是相应的数据不是异常数据，必须要包含在join的结果中，此时我们可以表a中key为空的字段赋一个随机的值，使得数据随机均匀地分不到不同的reducer上，比如可以使用case…when…语句。

（三）MapJoin

如果所有表中只有一张表是小表，那么可以在最大的表通过mapper的时候将小表完全放到内存中。Hive可以在map段执行连接过程（称为map-side JOIN），这时因为Hive可以和内存中的小表进行逐一匹配，从而省略掉常规连接操作所需要的reduce过程。其不仅减少了reduce过程，而且又是还可以同时减少map过程的执行步骤。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，这时容易发生数据倾斜。
此时需要根据需要设置两个参数：

• 设置自动选择Mapjoin

    set hive.auto.convert.join = true; 默认为true
  

• 大表小表的阈值设置（默认25M一下认为是小表）：

    set hive.mapjoin.smalltable.filesize=25000000;
  

• 如果希望Hive在必要的时候自动启动这个优化，可以将这两个属性设置在.hiverc文件中。

另外，要注意的是，Hive对于右外连接和全外连接不支持这个优化。

（四）Group By

默认情况下，Map阶段同一Key数据分发给一个reduce，所以当一个key数据过大时就倾斜了。但是实际上，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。
此时需要开启Map端聚合参数设置

• 是否在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目

    hive.groupby.mapaggr.checkinterval = 100000
  

• 有数据倾斜的时候进行负载均衡（默认是false）

    hive.groupby.skewindata = true
  

  当选项设定为true，生成的查询计划会有两个MR Job。第一个MR Job中，Map的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，这样处理的结果是相同的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MR Job再根据预处理的数据结果按照Group By Key分布到Reduce中（这个过程可以保证相同的Group By Key被分布到同一个Reduce中），最后完成最终的聚合操作。

（五）Count(Distinct) 去重统计

数据量小的时候无所谓，数据量大的情况下，由于COUNT DISTINCT操作需要用一个Reduce Task来完成，这一个Reduce需要处理的数据量太大，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

（六）行列过滤

• 列处理：在SELECT中，只拿需要的列，如果有，尽量使用分区过滤，少用SELECT *。
• 行处理：在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在join子句后面，那么就会先全表关联。应当先通过子查询后，再关联表。

（七）动态分区调整

关系型数据库中，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，Hive中也提供了类似的机制，即动态分区(Dynamic Partition)，使用Hive的动态分区，需要进行相应的配置。

• 开启动态分区功能（默认true，开启）

    hive.exec.dynamic.partition=true
  

• 设置为非严格模式（动态分区的模式，默认strict，表示必须指定至少一个分区为静态分区，nonstrict模式表示允许所有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。该参数需要根据实际的数据来设定。比如：源数据中包含了一年的数据，即day字段有365个值，那么该参数就需要设置成大于365，如果使用默认值100，则会报错。

    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
  

四、调整mapper和reduce个数

Hive通过将查询划分为一个或多个MapReduce任务达到并行的目的，所以可以通过MapReduce的优化来进行Hive的优化。每个任务都可能有多个mapper和reducer任务，其中至少有一些是可以并行执行。确定最佳的mapper个数和reducer个数取决于多个变量，

保持平衡性是很有必要的，如果有太多的mapper或reduce任务，就会导致启动阶段、调度和运行job过程中产生过多的开销；而如果设置的数量太少，就可能没有充分利用好集群内在的并行性。

（一）合理设置mapper数

• 通常情况下，作业会通过input的目录产生一个或者多个map任务。
  主要的决定因素有：input的文件总个数，input的文件大小，集群设置的文件块大小。
• mapper数不是越多越好
  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mapper任务来完成，而一个mapper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mapper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？
  答案也是不一定。比如有一个127m的文件，正常会用一个mapper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mapperp任务去做，肯定也比较耗时。

（二）小文件进行合并

当输入的数据有很多小文件时，就需要在mapper执行前合并小文件，减少map数，和MapReduce的小文件合并类似，Hive也有合并小文件的接口：CombineHiveInputFormat，其具有对小文件进行合并的功能（系统默认的格式），而常规的HiveInputFormat没有对小文件合并功能。要实现小文件合并，就要设置CombineHiveInputFormat。

set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

（三）复杂文件增加mapper数

当input的文件都很大，任务逻辑复杂，mapper执行非常慢的时候，可以考虑增加mapper数，来使得每个mapper处理的数据量减少，从而提高任务的执行效率。

增加mapper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mapper的个数。

（四）合理设置Reduce数

1. 调整reducer个数方法一

   • 每个Reducer处理的数据量默认是256MB

       hive.exec.reducers.bytes.per.reducer=256000000
     

   • 每个任务最大的reducer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)
     

2. 调整reducer个数方法二
   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;
   

3. reducer个数并不是越多越好

   • 过多的启动和初始化reducer也会消耗时间和资源；
   • 另外，有多少个reducer，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；
   • 在设置reducer个数的时候也需要考虑这两个原则：处理大数据量利用合适的reducer数；使单个reducer任务处理数据量大小要合适

五、并行执行

Hive会将一个查询转化成一个或者多个阶段。这样的阶段可以是MapReduce阶段、抽样阶段、合并阶段、limit阶段，或者Hive执行过程中可能需要的其他阶段。默认情况下，Hive一次只会执行一个阶段。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。不过，如果有更多的阶段可以并行执行，那么job可能就越快完成。

通过设置参数hive.exec.parallel值为true，就可以开启并发执行。不过，在共享集群中需要注意，如果job中并行阶段增多，那么集群利用率就会增加。

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。

六、严格模式

Hive提供了一个严格模式，可以防止用户执行那些可能意向不到的不好的影响的查询。
通过设置属性hive.mapred.mode值为默认是非严格模式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3种类型的查询。
配置参数如下：

    hive.mapred.mode
    strict
    
      The mode in which the Hive operations are being performed. 
      In strict mode, some risky queries are not allowed to run. They include:
        Cartesian Product.
        No partition being picked up for a query.
        Comparing bigints and strings.
        Comparing bigints and doubles.
        Orderby without limit.
    

• 对于分区表，除非where语句中含有分区字段过滤条件来限制范围，否则不允许执行。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。
• 对于使用了order by语句的查询，要求必须使用limit语句。因为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。所以，在使用JOIN查询时，应该使用ON而不是WHERE。

七、JVM重用

JVM重用是Hadoop调优参数的内容，其对Hive的性能具有非常大的影响，特别是对于很难避免小文件的场景或task特别多的场景，这类场景大多数执行时间都很短。
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。N的值可以在Hadoop的mapred-site.xml文件中进行配置。通常在10-20之间，具体多少需要根据具体业务场景测试得出。配置参数如下：

  mapreduce.job.jvm.numtasks
  10
  How many tasks to run per jvm. If set to -1, there is
  no limit. 
  

这个功能的缺点是，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。

八、推测执行

在分布式集群环境下，因为程序Bug（包括Hadoop本身的bug），负载不均衡或者资源分布不均等原因，会造成同一个作业的多个任务之间运行速度不一致，有些任务的运行速度可能明显慢于其他任务（比如一个作业的某个任务进度只有50%，而其他所有任务已经运行完毕），则这些任务会拖慢作业的整体执行进度。为了避免这种情况发生，Hadoop采用了推测执行（Speculative Execution）机制，它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。
设置开启推测执行参数：Hadoop的mapred-site.xml文件中进行配置

	  mapreduce.map.speculative
	  true
	  If true, then multiple instances of some map tasks 
	               may be executed in parallel.
	
	
	
	  mapreduce.reduce.speculative
	  true
	  If true, then multiple instances of some reduce tasks 
	               may be executed in parallel.
	

九、限制调整

Limit子句可以被用于强制 SELECT 语句返回指定的记录数。Limit接受一个或两个数字参数。参数必须是一个整数常量。如果给定两个参数，第一个参数指定第一个返回记录行的偏移量，第二个参数指定返回记录行的最大数目。

//初始记录行的偏移量是 0(而不是 1)：
SELECT * FROM table LIMIT 5,10; //检索记录行6-15

//为了检索从某一个偏移量到记录集的结束所有的记录行，可以指定第二个参数为 -1：
SELECT * FROM table LIMIT 95,-1; // 检索记录行 96-last

//如果只给定一个参数，它表示返回最大的记录行数目。换句话说，LIMIT n 等价于 LIMIT 0,n：
SELECT * FROM table LIMIT 5;     //检索前 5 个记录行

limit语句是经常使用到的，但是在很多情况下limit语句还是需要执行整个查询语句，如何再返回结果的。这种情况通常是浪费的，所以应该尽可能地避免出现这种情况。Hive可以通过配置属性hive.limit.optimize.enable = true来完成，当使用limit语句时，其可以对元数据进行抽样。

当这个配置完成后，还有两个参数可以控制这个操作，就是hive.limit.row.max.size：设置最小的采样容量，以及hive.limit.optimize.limit.file：设置最大的采样样本数。

但是，这个功能的一个缺点就是，有可能输入中有用的数据永远都不会被处理到，例如，像任意的一个需要reduce步骤的查询，JOIN和GROUP BY操作，以及聚合函数的大多数调用等等，将会产生很不同的结果。

十、执行计划（Explain）

在使用Hive时，应当学习EXPLAIN功能，其可以帮助学习Hive是如何将查询转化成MapReduce任务的。

查看执行计划的方法很简单，就是在查询语句的前面加上EXPLAIN关键字（大小写均可），要注意的是这个查询本身不会被执行。执行计划的分析详见《Hive编程指南》135页。