基于CDH环境下的Hive数仓配置及优化

YARN的基础配置

NodeManager CPU配置

• 在YARN界面中，点击配置，然后搜索配置项：yarn.nodemanager.resource.cpu-vcores
  
  
• 此选项表示该节点服务器上yarn可以使用的虚拟CPU个数，默认值是8，推荐将值配置与物理CPU线程数相同，如果节点CPU核心不足8个，要调小这个值，yarn不会智能的去检测物理核心数（实际生产环境要比这个大很多，测试环境核数比较小）。
• 在CDH主机的界面中我们可以看到每台虚机的核数，如下图所示：
  
  
• 同样我们也可以在使用命令linux上面查看每台虚机的CPU核数：

  grep 'processor' /proc/cpuinfo | sort -u | wc -l

NodeManager 内存配置

• 在YARN界面中，点击配置，然后搜索配置项：yarn.nodemanager.resource.memory-mb
  
• 设置该NodeManager节点上可以为容器分配的总内存，默认为8G，如果节点内存资源不足8G，要减少这个值，yarn不会智能的去检测内存资源，一般按照服务器剩余可用内存资源进行配置。生产上根据经验一般要预留15-20%的内存，那么可用内存就是实际内存*0.8。
• Tips：注意要同时设置yarn.scheduler.maximum-allocation-mb为一样的值，yarn.app.mapreduce.am.command-opts（JVM内存）的值要同步修改为略小的值。
  
  
• 在CDH主机的界面中我们可以看到每台虚机的内存，如下图所示：
  
• 同样我们也可以在使用命令linux上面查看每台虚机的内存：

  free -mh

NodeManager 本地目录

• 在YARN界面中，点击配置，然后搜索配置项：yarn.nodemanager.local-dirs，NodeManager 存储中间数据文件的本地文件系统中的目录列表。如果单台服务器上有多个磁盘挂载，则配置的值应当是分布在各个磁盘上目录，这样可以充分利用节点的IO读写能力。

MapReduce内存配置

• 当MR内存溢出时，可以根据服务器配置进行调整

• 为作业的每个 Map 任务分配的物理内存量(MiB)，默认为0，自动判断大小配置项为：mapreduce.map.memory.mb。
  

• 为作业的每个 Reduce 任务分配的物理内存量(MiB)，默认为0，自动判断大小配置项为：mapreduce.reduce.memory.mb。。
  

• Map和Reduce的JVM配置选项，配置项为：mapreduce.map.java.opts、mapreduce.reduce.java.opts。
  
  

• Tips：
  mapreduce.map.java.opts一定要小于mapreduce.map.memory.mb（大约为0.9倍）。
  mapreduce.reduce.java.opts一定要小于mapreduce.reduce.memory.mb（大约为0.9倍）。

HDFS副本数配置

• 在HDFS界面中，点击配置，然后搜索配置项：
  

• 文件副本数通常默认值为3，此配置项不建议修改，如果在开发或测试环境中只有两台node，建议讲此数值修改为2。

• hadoop3.x以上的版本, 支持设置副本数量为 1.5。其中 0.5 不是指的存储了一半, 而是采用纠删码来存储这一份数据的信息, 而纠删码只占用数据的一半。

Hive配置及优化

HiveServer2的Java堆栈

• 如果Hiveserver2异常退出，导致连接失败的问题，如下图
  
• 此类报错通常情况下是OOM的情况，需要修改HiveServer2的Java堆栈。在Hive界面中，点击配置，然后搜索配置项：HiveServer2 的 Java 堆栈大小
  
• 设置完成之后重启Hive服务即可。

Hive动态生成分区的线程数

• 在Hive界面中，点击配置，然后搜索配置项：hive.load.dynamic.partitions.thread。
  

• 此配置项用于加载动态生成的分区的线程数。加载需要将文件重命名为它的最终位置，并更新关于新分区的一些元数据。默认值为 15 。

• 当有大量动态生成的分区时，增加这个值可以提高性能。根据服务器配置修改。

Hive监听输入文件线程数

• 在Hive界面中，点击配置，然后搜索配置项：hive.exec.input.listing.max.threads。
  
• 此配置项用来监听输入文件的最大线程数。默认值：15。
• 当需要读取大量分区时，增加这个值可以提高性能。根据服务器配置进行调整。

压缩配置

Map输出压缩

• 除了创建表时指定保存数据时压缩，在查询分析过程中，Map的输出也可以进行压缩。由于map任务的输出需要写到磁盘并通过网络传输到reducer节点，所以通过使用LZO、LZ4或者Snappy这样的快速压缩方式，是可以获得性能提升的，因为需要传输的数据减少了。
• 在YARN界面中，点击配置，然后搜索配置项：mapreduce.map.output.compress/mapreduce.map.output.compress.codec。
  
• 此配置项设置是否启动map输出压缩，默认为false。在需要减少网络传输的时候，可以设置为true。
• 此配置项map输出压缩编码解码器，默认org.apache.hadoop.io.compress.DefaultCodec，推荐使用SnappyCodec：org.apache.hadoop.io.compress.SnappyCodec。

Reduce结果压缩

• 是否对任务输出结果压缩，默认值false。对传输数据进行压缩，既可以减少文件的存储空间，又可以加快数据在网络不同节点之间的传输速度。
• 在YARN界面中，点击配置，然后搜索配置项：mapreduce.output.fileoutputformat.compress
  mapreduce.output.fileoutputformat.compress.codec
  mapreduce.output.fileoutputformat.compress.type

• 是否启用 MapReduce 作业输出压缩
• 指定要使用的压缩编码解码器，推荐SnappyCodec
• 指定MapReduce作业输出的压缩方式，默认值RECORD，可配置值有：NONE、RECORD、BLOCK，推荐使用BLOCK（批量压缩）。

Hive多个Map-Reduce中间数据压缩

• 控制Hive在多个map-reduce作业之间生成的中间文件是否被压缩。压缩编解码器和其他选项由上面Hive通用压缩mapreduce.output.fileoutputformat.compress.*确定。
• 通常在hue的查询页面中输入以下命令：

  set hive.exec.compress.intermediate=true;

Hive最终结果压缩

• 控制是否压缩查询的最终输出(到 local/hdfs 文件或 Hive table)。压缩编解码器和其他选项由 上面Hive通用压缩mapreduce.output.fileoutputformat.compress.*确定。
• 通常在hue的查询页面中输入以下命令：

  set hive.exec.compress.output=true;