三十五、Hive的优化
本文主要来讲述一下Hive的优化问题，关注专栏《破茧成蝶——大数据篇》，查看更多相关的内容~
目录
一、Hive的数据存储格式
二、Hive调优
2.1 Fetch
2.2 本地模式查询
2.3 表与表之间的Join
2.4 Map端聚合操作
2.5 去重统计
2.6 笛卡尔积
2.7 查询优化
2.8 开启动态分区
2.9 设置合理的Map和Reduce数量
2.10 JVM重用
2.11 strict模式
2.12 并行执行
2.13 推测执行
2.14 Explain语句
一、Hive的数据存储格式
在进行优化讲解之前，我们先来看看Hive有哪些数据的存储格式。Hive支持的存储数据的格式主要有四种，分别是：TEXTFILE 、SEQUENCEFILE、ORC和PARQUET。其中，TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的；而ORC和PARQUET是基于列式存储的。当查询满足条件的一整行数据时，列式存储则需要去每个聚集的字段找到对应的每个列的值，行式存储只需要找到其中一个值，其余的值都在相邻地方，所以此时行存储查询的速度更快。当查询只需要少数几个字段的时候，列式存储能大大减少读取的数据量；每个字段的数据类型一定是相同的，列式存储可以针对性的设计更好压缩算法。具体的压缩方式的介绍，可以参看咱们之前的《十六、Hadoop中的数据压缩》。接下来，看咱们今天的正题——Hive的调优。
二、Hive调优
2.1 Fetch
在Hive中，有些情况的查询是不用走底层MapReduce的，例如查询某个表的所有数据，即：select * from table_name;，这种情况也叫Fetch抓取。这是因为在hive-default.xml.template文件中hive.fetch.task.conversion默认是more，如下所示：
当把该值设置为none的时候，所有的查询操作都会走底层的MapReduce。
2.2 本地模式查询
当Hive的输入数据量非常小时，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。通过设置hive.exec.mode.local.auto的值为true，让Hive在适当的时候自动启动这个优化，默认是false。
//开启本地MapReduce
set hive.exec.mode.local.auto=true;
//设置local mapr的最大输入数据量，当输入数据量小于这个值时采用local MapReduce的方式，默认为134217728，即128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;
//设置local MapReduce的最大输入文件个数，当输入文件个数小于这个值时采用local MapReduce的方式，默认为4
set hive.exec.mode.local.auto.input.files.max=10;2.3 表与表之间的Join
当小表与大表join的时候，一般选择MapJoin，将小表加载到内存，避免在ReduceJoin，也就是说避免了数据倾斜。
//设置自动选择MapJoin，默认为true
set hive.auto.convert.join = true;
//大表小表的阈值设置，默认25M以下是小表
set hive.mapjoin.smalltable.filesize=25000000;当大表与大表join的时候，有时超时是因为某些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。很多情况下，这些key对应的数据是异常数据，我们需要在SQL语句中进行过滤。例如key对应的字段为空。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。
表与表之间的优化，可以参考咱们之前的《十四、MapReduce中的Join操作》和《十八、Hadoop的优化》。说到底，Hive的优化其实就是Hadoop的优化，因为Hive的底层是依赖于MapReduce的。
2.4 Map端聚合操作
默认情况下，Map阶段同一Key数据分发给一个reduce，当一个key数据过大时会造成数据倾斜。其实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。通过以下设置开启Map端聚合操作：
//是否在Map端进行聚合，默认为True
set hive.map.aggr = true;
//在Map端进行聚合操作的条目数目
set hive.groupby.mapaggr.checkinterval = 100000;
//有数据倾斜的时候进行负载均衡（默认是false）
set hive.groupby.skewindata = true;当选项设定为 true，生成的查询计划会有两个MapReduce Job。第一个MapReduce 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MapReduce 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GroupBy Key被分布到同一个Reduce中），最后完成最终的聚合操作。
2.5 去重统计
当数据量大的情况下，由于COUNT DISTINCT的全聚合操作，即使设定了reduce task个数，set mapred.reduce.tasks=100；hive也只会启动一个reducer。这就造成一个Reduce处理的数据量太大，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。
2.6 笛卡尔积
在join的时候尽量避免无效的on条件，因为Hive只能使用一个Reducer来完成笛卡尔积。
2.7 查询优化
查询数据时，只取需要的列少用SELECT *。当使用外关联时，将join后面表的过滤条件写在join里面，避免全表关联。
2.8 开启动态分区
Hive中提供了动态分区的功能，对分区表Insert数据的时候，会自动根据分区字段的值，将数据插入到相应的分区中，通过以下方式开启自动分区功能。
//开启动态分区功能，默认true
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MapReduce的节点上，最大一共可以创建多少个动态分区，默认1000
hive.exec.max.dynamic.partitions=1000;
//在每个执行MapReduce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MapReduce Job中，最大可以创建多少个HDFS文件。默认100000
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。默认false
hive.error.on.empty.partition=false;2.9 设置合理的Map和Reduce数量
通常情况下，job会通过input的目录产生一个或者多个map任务。map任务主要的决定因素有：input的文件总个数、input的文件大小以及集群设置的文件块大小。并不是map数越多越好，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数是有限的。同时，保证每个map处理接近128m的文件块也并不是就万事大吉了。例如有一个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，却有成百上千万的记录，如果map处理的逻辑比较复杂，用一个map任务去做，肯定也会非常耗时。
所以，我们必须根据不同的场景灵活的设定合理的Map和Reduce的数量。这里列出了以下几种情况。
1、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。
2、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（系统默认的格式）。HiveInputFormat没有对小文件合并功能。通过如下设置实现在map执行前合并小文件：
set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;3、下面的命令是在MapReduce任务结束时合并小文件：
（1）在map-only任务结束时合并小文件，默认true
SET hive.merge.mapfiles = true;
（2）在map-reduce任务结束时合并小文件，默认false
SET hive.merge.mapredfiles = true;
（3）合并文件的大小，默认256M
SET hive.merge.size.per.task = 268435456;
（4）当输出文件的平均大小小于该值时，启动一个独立的map-reduce任务进行文件merge
SET hive.merge.smallfiles.avgsize = 16777216;4、reduce个数并不是越多越好，过多的启动和初始化reduce也会消耗时间和资源。另外，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，那么又会出现小文件过多的问题。通过下面的设置调整reduce的个数：
（1）通过下面的设置修改每个Reducer处理的数据量，默认是256MB
hive.exec.reducers.bytes.per.reducer=256000000;
（2）通过下面的设置修改每个任务最大的reduce数，默认为1009
hive.exec.reducers.max=1009;
（3）在hadoop的mapred-default.xml文件中修改下面的参数，设置每个job的Reduce个数
set mapreduce.job.reduces = 15;
2.10 JVM重用
JVM重用对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，需要结合具体的业务场景进行设置。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。
mapreduce.job.jvm.numtasks
10
How many tasks to run per jvm. If set to -1, there is
no limit.
2.11 strict模式
Hive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。
1、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。
2、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。
3、限制笛卡尔积的查询。在关系型数据库中执行JOIN查询的时候不使用ON语句而使用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。但是，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。
2.12 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，某些特定的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。通过设置参数hive.exec.parallel值为true，就可以开启并行执行。
//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;2.13 推测执行
在分布式集群环境下，因为程序的Bug或者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，例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运行缓慢的任务，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。
在Hadoop的mapred-site.xml文件中配置mapreduce.map.speculative和mapreduce.reduce.speculative为true开启推测执行参数，该配置项默认是true。不过Hive本身也提供了配置项hive.mapred.reduce.tasks.speculative.execution来控制reduce-side的推测执行，该配置项默认是true。
2.14 Explain语句
在Hive中可以使用Explain语句来查看语句的执行计划，其语法如下：
EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query例如：
1、查看如下语句的执行计划：
explain select * from people;
2、查看详细的执行计划
explain extended select * from people;
好了，以上就是Hive的调优内容了，本文到此已经接近尾声，你们在这个过程中遇到了什么问题，欢迎留言，让我看看你们遇到了什么问题~