大数据开发之Hive优化篇1-Hive 优化概述

备注:
Hive 版本 2.1.1

一.Hive的实现原理

Hive的编译器将HQL转换成一组操作符(Operator)
操作符是Hive的最小处理单元
每个操作符代表一道HDFS操作或者MR Job 作业

Hive的操作符

Hive编译器
Parser：
将SQL转换成抽象语法树
语法解析器：
将抽象语法树转换成查询块
逻辑计划生成器：
将查询块转换成逻辑计划
物理计划生成器：
将逻辑计划转换成物理计划
物理计划优化器：
物理计划优化策略

编译流程

利用Explain查看执行计划
语法:

：EXPLAIN [EXTENDED] query

输出：

1. 查询语句的抽象语法树（AST）
2. 执行计划丌同阶段间的依赖关系
3. 每个阶段的描述

二Hive优化

优化的目的：提升查询性能，快速产出结果
Hive的优化思路：

1. 编译器优化器优化：采用合理的优化策略，生成高效的物理计划
2. MapReduce执行层优化：通过MR参数优化，提升Job运行效率
3. HDFS存储层优化：采用合理的存储格式和合理的Schema设计，降低IO瓶颈

2.1 选择合理的存储格式和压缩格式

列存储，高压缩比，列剪枝，过滤无用字段IO

1. Orc
2. Parquet

压缩格式选择:snappy

2.2 MR Job优化

并行执行
Hive产生的MR Job默认是顺序执行的，如果Job之间无依赖可以并行执行

set hive.exec.parallel=true;

本地执行
虽然Hive能够利用MR处理大规模数据，但某些场景下处理的数据量非常小可以本地执行，不必提交集群

set hive.exec.mode.local.auto=true;
hive.exec.mode.local.auto.inputbytes.max（默认128MB）
hive.exec.mode.local.auto.input.files.max（默认4）

合并输入小文件
如果Job输入有很多小文件，造成Map数太多，影响效率

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

合并输出小文件

set hive.merge.mapfiles=true; // map only job结束时合并小文件
set hive.merge.mapredfiles=true; // 合并reduce输出的小文件
set hive.merge.smallfiles.avgsize=256000000; //当输出文件平均大小小于该值，启动新job合并文件
set hive.merge.size.per.task=64000000; //合并之后的每个文件大小

控制Map/Reduce数
控制Map/Reduce数来控制Job执行的并行度

Num_Map_tasks= $inputsize/ max($mapred.min.split.size, min($dfs.block.size, $mapred.max.split.size))
Num_Reduce_tasks= min($hive.exec.reducers.max, $inputsize/$hive.exec.reducers.bytes.per.reducer)

JVM重用
JVM重利用可以使job长时间保留slot，直到作业结束

set mapred.job.reuse.jvm.num.tasks=10 //每个jvm运行10个task

推测执行

set hive.mapred.reduce.tasks.speculative.execution=true
set mapreduce.map.speculative=true
set mapreduce.reduce.speculative=true

一定要开启压缩
中间结果压缩，减少Job跟Job之间的IO开销

set hive.exec.compress.intermediate=true
set mapred.map.output.compression.codec=

最终结果压缩，减少存储空间

set hive.exec.compress.output=true
Set mapred.output.compression.codec=

2.3 Join优化

Hive的Join类型：

1. Shuffle Join
2. Broadcast Join(MapJoin)
3. Sort-Merge-Bucket Join
   [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-r4Mr5baa-1611020439271)(https://upload-images.jianshu.io/upload_images/2638478-7b767f2303382f84.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)]

2.3.1 MapJoin 优化

方式一(自动判断）:

set.hive.auto.convert.join=true;
hive.mapjoin.smalltable.filesize  // 默认值是25mb, 小表小于25mb自动启动mapjoin

方式二(手动显式）：
select /+mapjoin(A)/ f.a,f.bfrom A t join B f on (f.a=t.a)

2.3.2 SMB Join 优化

使用方式：

hive.optimize.bucketmapjoin= true

和mapjoin一起工作,所有要Join的表都必须对Join key做了分桶，并且大表的桶数是小表的整数倍

由于对表设计有太多的限制，不太常用

2.4 数据倾斜

数据倾斜是指由于数据分布不均匀，个别值集中占据大部分数据量，导致某一个或者几个ReduceTask处理的数据量相对很大造成的Job运行非常慢，甚至OOM挂掉

在SQL上，一般是由于group by 或者join shuffle key丌均匀造成的

数据倾斜是业务数据问题导致的，如果从业务上下手避免是最好的

1. 比如由于Null值引起的，或者某一个特殊的key造成的数据量特别大
2. 先过滤掉特殊key的数据再进行处理

Hive自身的优化方案:

1. 由group by 引起的数据倾斜：

hive.map.aggr=true //做map端预聚合，相当于Map端Combiner
hive.groupby.skewindata//将key的数据随机分发到Reduce端做聚合，然后再起一个Job对上一步的结果做聚合

2. 由Join引起的数据倾斜(Skew Join)

set hive.optimize.skewjoin= true
set hive.skewjoin.key= 100000
// 超过阈值就判断为skew key

2.5 Hive的优化配置参数

hive-site.xml中更改默认配置
在脚本中set变量
Hive的优化配置非常多，具体情况具体分析