Hive学习——企业级调优

目录

一、计算资源调优

(一)Yarn资源配置——集群

1.Yarn配置说明

(1)yarn.nodemanager.resource.memory-mb

(2)yarn.nodemanager.resource.cpu-vcores

(3)yarn.scheduler.maximum-allocation-mb

(4)yarn.scheduler.minimum-allocation-mb

(二)MapReduce资源配置

二、SQL执行计划调优

(一)Explain查看执行计划(终点)

1.基本语法

2.案例

(二)分组聚合调优

1.优化说明

2.分组聚合优化案例     

(三)Join优化

1.JOIN算法概述

2.Map Join

3.Bucket Map Join

4.Sort Merge Bucket Map Join

5.Hive-join优化总结

(四)数据倾斜(重要)

1.数据倾斜概述

2.分组聚合导致的数据倾斜

(1)Map-Side聚合

(2)Skew-GroupBy优化

(3)优化案例

2.Join导致的数据倾斜

(1)map join——适用于大表 join 小表时存在数据倾斜的场景

(2)skew join——适用于大表 join 大表时存在数据倾斜的场景

(3)调整SQL语句——适用于大表 join 大表时存在数据倾斜的场景

(4)优化案例

(五)任务并行度

1.Map端并行度——一般不用调

(1)查询的表中存在大量小文件

(2)map端有复杂的查询逻辑

2.Reduce端并行度

(六)小文件合并

1.Map端输入文件合并

2.Reduce输出文件合并

3.优化案例

(七)CBO优化

1.CBO优化说明

2.优化案例

(八)谓词(where过滤)下推

(九)矢量化(向量化)查询

(十)Fetch抓取

1.Fetch说明

2.优化案例

(十一)本地模式

(十二)并行执行

(十三)严格模式——全局配置较多

1.分区表使用分区过滤——防止全表扫描

2.使用order by必须有limit过滤——防止全局排序

3.限制笛卡尔积查询——防止出现不可控的情况

---

一、计算资源调优

(一)Yarn资源配置——集群

1.Yarn配置说明

SQL跑得慢可能是资源没给够，需要多分配内存或CPU等资源。需要调整的Yarn参数均与CPU、内存等资源有关，核心配置参数如下：

(1)yarn.nodemanager.resource.memory-mb

        该参数的含义是，一个NodeManager节点分配给Container使用的内存，默认为8G。该参数的配置，取决于NodeManager所在节点的总内存容量和该节点运行的其他服务的数量。例如服务器内存为128G，通常情况下可以配置为内存的1/2~2/3，也可以根据实际情况进行配置。内存设置过大，可能会导致yarn无法启动。

        考虑上述因素，此处可将该参数设置为64G，如下：

    yarn.nodemanager.resource.memory-mb
    65536

(2)yarn.nodemanager.resource.cpu-vcores

        该参数的含义是，一个NodeManager节点分配给Container使用的CPU核数。该参数的配置，同样取决于NodeManager所在节点的总CPU核数和该节点运行的其他服务。

        考虑上述因素，此处可将该参数设置为16。CPU与内存一般情况下通常是1:4的配置关系。

    yarn.nodemanager.resource.cpu-vcores
    16

(3)yarn.scheduler.maximum-allocation-mb

        例如给mapper申请的内存是10G，yarn给Container的最大内存为8G，yarn给Conatiner的最小内存为4G，10<(8+4)，这样就会导致mapper内存无法申请，因为超过了yarn给mapper内存的规定大小。最大值可以稍微调大，最小值可以稍微调小。

该参数的含义是，单个Container能够使用的最大内存。推荐配置如下：

    yarn.scheduler.maximum-allocation-mb
    16384

(4)yarn.scheduler.minimum-allocation-mb

该参数的含义是，单个Container能够使用的最小内存，推荐配置如下：

    yarn.scheduler.minimum-allocation-mb
    512

hadoop102 hadoop103 hadoop104的虚拟内存设置为16G，电脑实际内存为64G

(二)MapReduce资源配置

如果电脑内存是32G，那么集群的每个节点推荐设置为8G，三个节点，一共8*3=24G，要留一些内存给Windows

 

yarn-site.xml中的物理内存也要进行相应的修改，要<8G，例如调成6G=6*1024=6144

 

对应的最大最小内存也要查看是否超出范围

二、SQL执行计划调优

(一)Explain查看执行计划(终点)

Explain查看执行计划：一条SQL语句翻译成了几个map，几个reduce，map和reduce分别做了哪些事情。

1.基本语法

EXPLAIN [FORMATTED | EXTENDED | DEPENDENCY] query-sql

注：FORMATTED、EXTENDED、DEPENDENCY关键字为可选项，各自作用如下。

• FORMATTED：将执行计划以JSON字符串的形式输出
• EXTENDED：输出执行计划中的额外信息，通常是读写的文件名等信息
• DEPENDENCY：输出执行计划读取的表及分区

常见的Operator及其作用如下：

• TableScan：表扫描操作，通常map端第一个操作肯定是表扫描操作
• Select Operator：选取操作
• Group By Operator：分组聚合操作
• Reduce Output Operator：输出到 reduce 操作
• Filter Operator：过滤操作
• Join Operator：join 操作
• File Output Operator：文件输出操作
• Fetch Operator 客户端获取数据操作

2.案例

explain select product_id,
       count(*)
from order_detail
group by product_id;

STAGE DEPENDENCIES:
  Stage-1 is a root stage
  Stage-0 depends on stages: Stage-1
""
STAGE PLANS:
  Stage: Stage-1
    Map Reduce
      Map Operator Tree:
          TableScan
            alias: order_detail
            Statistics: Num rows: 13066777 Data size: 11760099340 Basic stats: COMPLETE Column stats: NONE
            Select Operator
              expressions: product_id (type: string)
              outputColumnNames: product_id
              Statistics: Num rows: 13066777 Data size: 11760099340 Basic stats: COMPLETE Column stats: NONE
              Group By Operator
                aggregations: count()
                keys: product_id (type: string)
                mode: hash
"                outputColumnNames: _col0, _col1"
                Statistics: Num rows: 13066777 Data size: 11760099340 Basic stats: COMPLETE Column stats: NONE
                Reduce Output Operator
                  key expressions: _col0 (type: string)
                  sort order: +
                  Map-reduce partition columns: _col0 (type: string)
                  Statistics: Num rows: 13066777 Data size: 11760099340 Basic stats: COMPLETE Column stats: NONE
                  value expressions: _col1 (type: bigint)
      Execution mode: vectorized
      Reduce Operator Tree:
        Group By Operator
          aggregations: count(VALUE._col0)
          keys: KEY._col0 (type: string)
          mode: mergepartial
"          outputColumnNames: _col0, _col1"
          Statistics: Num rows: 6533388 Data size: 5880049219 Basic stats: COMPLETE Column stats: NONE
          File Output Operator
            compressed: false
            Statistics: Num rows: 6533388 Data size: 5880049219 Basic stats: COMPLETE Column stats: NONE
            table:
                input format: org.apache.hadoop.mapred.SequenceFileInputFormat
                output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
                serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
""
  Stage: Stage-0
    Fetch Operator
      limit: -1
      Processor Tree:
        ListSink
""

explain dependency
select product_id,
       count(*)
from order_detail
group by product_id;

{
    "input_tables":[
        {
            "tablename":"db_hive2@order_info",
            "tabletype":"MANAGED_TABLE"
        }
    ],
    "input_partitions":[
    ]
}

(二)分组聚合调优

1.优化说明

--启用map-side聚合

set hive.map.aggr=true;

--用于检测源表数据是否适合进行map-side聚合。

        检测的方法是：先对若干条数据进行map-side聚合，若聚合后的条数和聚合前的条数比值小于该值，则认为该表适合进行map-side聚合；否则，认为该表数据不适合进行map-side聚合，后续数据便不再进行map-side聚合。

set hive.map.aggr.hash.min.reduction=0.5;

--用于检测源表是否适合map-side聚合的条数。

set hive.groupby.mapaggr.checkinterval=100000;

--map-side聚合所用的hash table，占用map task堆内存的最大比例，若超出该值，则会对hash table进行一次flush。

set hive.map.aggr.hash.force.flush.memory.threshold=0.9;

        如果根据id分组是不切实际的，因为每行的id都不一样，按照表中重复的数据进行聚合，才有意义。
        总结：group by 不重复的字段越小，越适合聚合，不重复的字段越大，越不适合聚合。
        如果想让map去做更多的聚合，需要将hive.map.aggr.hash.min.reduction=0.5的值设置为更大，如果值设置为1，所有的都会强制走map聚合。

2.分组聚合优化案例     

代码：

explain formatted 
select 
       product_id,
       count(*)
from order_detail
group by product_id;

-- 优化前：

set hive.map.aggr=false;--(2m16s)

 

下图可以看到，map端接收的所有数据几乎全部都输出到reduce端

-- 优化后：

set hive.map.aggr=true;-- (1m43s)
set hive.map.aggr.hash.min.reduction=1;--(1m23s)

如果输出的mapreduce>分组字段的行数(product_id=100w)，就说明此处发生flush的次数过多。解决办法：1.flush阈值调大

                         2.map端的总内存调大set mapreduce.map.memery.mb

mapper端的Group By Operator在内存当中维护一个hash表，然后对数据进行聚合；

reduce端对每一个mapper发送过来的部分的部分聚合的结果进行最终的合并。

(三)Join优化

1.JOIN算法概述

(1)Common Join

        Common Join通过一个MapReduce Job完成一个join操作。Map端负责读取join操作所需表的数据，并按照关联字段进行分区，通过Shuffle，将其发送到Reduce端，相同key的数据在Reduce端完成最终的Join操作。

        需要注意的是，sql语句中的join操作和执行计划中的Common Join任务并非一对一的关系，一个sql语句中的相邻的且关联字段相同的多个join操作可以合并为一个Common Join任务。

-- 例如：

-- 关联字段相同是一个Common Join任务实现，也就是可通过一个Map Reduce任务实现。

select 
    a.val, 
    b.val, 
    c.val 
from a 
join b on (a.key = b.key1) 
join c on (c.key = b.key1)

 -- 关联字段各不相同，需要两个Common Join任务实现，也就是可通过两个Map Reduce任务实现。

select 
    a.val, 
    b.val, 
    c.val 
from a 
join b on (a.key = b.key1) 
join c on (c.key = b.key2)

        如果多表关联的字段是一样的，都是id，那么就启动一个mapreduce，shuffle的时候就按照同一个字段来进行shuffle；如果多表关联的字段不一样，那么不同的mapper分区字段不同，只能先去做一个common join，然后和c表做下一次join操作，这时就会启动两个mapreduce。

(2)Map Join——Map端完成关联操作

适用场景：大表join小表

一个join由map阶段的两个job完成，即在map端完成关联操作

两个job执行流程：

第一个job读取小表数据→将小表只作为hash表→上传至HDFS→

第二个job从HDFS上读取小表数据→缓存在Map Task内存中→扫描大表数据→

完成关联操作

(3)Bucket Map Join

适用场景：大表join大表，大表join小表

核心思想：参与join的表均为分桶表，且关联字段为分桶字段，且其中一张表的分桶数量是另外一张表分桶数量的整数倍，就能保证参与join的两张表的分桶之间具有明确的关联关系，所以就可以在两表的分桶间进行Map Join操作了。这样一来，第二个Job的Map端就无需再缓存小表的全表数据了，而只需缓存其所需的分桶即可。

(4)Sort Merge Bucket Map Join（简称SMB Map Join）

        SMB Map Join要求，参与join的表均为分桶表，且需保证分桶内的数据是有序的，且分桶字段、排序字段和关联字段为相同字段，且其中一张表的分桶数量是另外一张表分桶数量的整数倍。两个分桶之间的join实现原理为Sort Merge Join算法。Sort Merge Join需要在两张按照关联字段排好序的表中进行。

        Hive中的SMB Map Join就是对两个分桶的数据按照上述思路进行Join操作。可以看出，SMB Map Join与Bucket Map Join相比，在进行Join操作时，Map端是无需对整个Bucket构建hash table，也无需在Map端缓存整个Bucket数据的，每个Mapper只需按顺序逐个key读取两个分桶的数据进行join即可。

2.Map Join

--启动Map Join自动转换

set hive.auto.convert.join=true;

        一个Common Join operator转为Map Join operator的判断条件,若该Common Join相关的表中,存在n-1张表的已知大小总和<=该值,则生成一个Map Join计划,此时可能存在多种n-1张表的组合均满足该条件,则hive会为每种满足条件的组合均生成一个Map Join计划,同时还会保留原有的Common Join计划作为后备(back up)计划,实际运行时,优先执行Map Join计划，若不能执行成功，则启动Common Join后备计划。

-- 没有条件计划的小表总和的阈值

set hive.mapjoin.smalltable.filesize=250000;

--开启无条件转Map Join

set hive.auto.convert.join.noconditionaltask=true;

--无条件转Map Join时的小表之和阈值,若一个Common Join operator相关的表中，存在n-1张表的大小总和<=该值,此时hive便不会再为每种n-1张表的组合均生成Map Join计划,同时也不会保留Common Join作为后备计划。而是只生成一个最优的Map Join计划。

-- 有条件计划的小表总和的阈值

set hive.auto.convert.join.noconditionaltask.size=10000000;

判断逻辑：

针对的是执行计划中的Common Join Task，而不是SQL语句中的join语句，SQL中的join与执行计划中的join task不是一一对应，因为join on的字段有可能相同，也有可能不同。

1.总开关：hive.auto.convert.join

        false执行common join;

        true(默认值)执行自动将common join转换为map join

2.寻找大表候选人：a left join b时，a表是大表候选人；a right join b时，b表时大表候选人；a inner join b时，a表和b表都有可能是大表候选人；a full join b时，走common join。

3.是否不考虑条件任务：hive.auto.convert.join.noconditionaltask

        条件任务不是所有场景都需要，如果参与join的表的大小在编译阶段不知道，这时就可以考虑设置条件任务，执行后备的计划；如果参与join的表的大表在编译阶段是知道的，这时条件任务无需考虑。

        (1)如果不需要条件任务设置为true：

        核心判断逻辑：没有条件任务意味着没有后备计划(即back up计划)，此时要保证大表候选人之外的小白的大小均已知，且其小表总和<内存中能够放下的小表总和的阈值(即hive.auto.convert.join.noconditionaltask.size，其作用与hive.mappjoin.smalltable.filesize相同)，此时，才会生成最优map join计划(即将三张表进行inner join关联时，将最大的表设置为大表，将最小的两张表设置为小表)，此时map端所需内存最小。即使设置了不需要条件任务，但是有些表的大小仍是未知的，也不会生成map join计划，还是会生成Conditional Task。

        生成了最优的map join计划之后，还会进行优化：如果多表关联使用的是不同的关联方法，那么就会生成两个map join，例如a left join b，b right join c；a表(大表)和b表会生成一个新的表m，开启一个map join，m表和c表进行关联，也会生成一个map join，且b表和c表的大小是已知的，并且其总和<小表总和的阈值(hive.auto.convert.join.noconditionaltask.size)，此时，就会将两个map join合并为一个任务，就能够完成两个common join的任务。如果b表+c表>阈值，两个map join就不会进行合并，还保持原有的map join计划。

        (2)如果不需要条件任务设置为false：即开启条件任务

        核心的判断逻辑：尝试以每个大表候选人作为大表，生成map join计划，然后利用有限的信息去排除一些一定不能成功的执行计划，判断方法：如果某大表候选人大小已知，且Join的小表总和>设置好的小表总和的阈值(hive.mappjoin.smalltable.filesize)，则对应的map join计划就不会生成。如果有map join计划生成，那么就会生成Conditional Task，并将所有map join计划和原油的common join计划加入其任务列表，common join作为back up计划，有back up计划是因为留下来的map join计划也不一定能成功，因为上面只判断了一定不能成功的执行计划。最终执行计划在运行时决定。

案例：

explain formatted select *
from order_detail od
         join product_info product on od.product_id = product.id
         join province_info province on od.province_id = province.id;

 优化前：(7min+)

-- 优化前，采用common join
-- 总开关关闭
set hive.auto.convert.join=false;

-- 优化前的执行计划：两张表进行关联，得到一个新表，然后这个新表和第三张表进行关联，得出结果。

-- 其中一个reduce迟迟不完成，可能是发生了数据倾斜，数据分布不均匀，大量的数据跑到第一个reduce中，该reduce接收的数据很多，处理的时间就会长。

-- reduce的个数是由hive根据数据量估算出来的，没有默认值，也可以设置

优化思路：

必须基于SQL中关联的表的大小来考虑应当采用哪种join算法。

-- 查看表的详细信息语法：
desc formatted table_name partition(partition_col='partition');

-- 首先查看order_detail表的信息
desc formatted order_detail;-- 大表
-- 29行：totalSize=1176009934/1024/1024/1024~= 1GB       

-- product_info表的信息
desc formatted product_info;-- 小表
-- 21行：totalSize=25285707/1024/1024~=25MB

-- province_info表的信息
desc formatted province_info;-- 小表
-- 19行：totalSize=369KB                 

优化方案一：(4min+)

-- 启动map join自动转换
set hive.auto.convert.join=true;

-- 不使用无条件转Map Join即开启条件任务对应map join逻辑图的右侧
set hive.auto.convert.join.noconditionaltask=false;

-- 调整hive.mapjoin.smalltable.filesize参数，使其>=product_info
set hive.mapjoin.smalltable.filesize=25285707;

-- 方案一的执行计划十分复杂

只有map没有reduce说明走的是map join，对应上图的stage-8，因为stage-12是本地任务，本地任务是不会把资源提交到yarn上的。

接下来跑的是stage-5：将product_info当成小表，扫描前两个表join的输出结果

优化方案二：(2min+)——最优执行计划

set hive.auto.convert.join=true;
set hive.auto.convert.join.noconditionaltask=true;-- 使用无条件转换
set hive.auto.convert.join.noconditionaltask.size=25286076;
-- 调整小表阈值=关联的两张小表之和(product_info+province_info)
-- 目的是可以将两个map join进行合并

--执行计划：两个map join进行了合并，形成最优map join计划

-- 这个方案计算效率最高，但需要的内存也是最多的。

优化方案三：(4min+)与方案一类似

set hive.auto.convert.join=true;
set hive.auto.convert.join.noconditionaltask=true;-- 使用无条件转换
set hive.auto.convert.join.noconditionaltask.size=25285707;-- 设置为小表中较大表(product_info)的大小
-- 这样可直接将两个Common Join operator转为Map Join operator
-- 但不会将两个Map Join的任务合并
-- 该方案计算效率比方案二低，但需要的内存也更少。

-- 执行计划

province_info和order_info表先做第一次的map join，然后product_info和前两张表join的结果再进行map join，完成输出。

说明：

hive.mapjoin.smalltable.filesize
hive.auto.convert.join.noconditionaltask.size

        这两个参数要根据HDFS存储文件的大小来判断，最终要根据map端的总内存来配置，例如map端的内存设置为4G，阈值设置为1G是不可行的，因为这1G是文件的大小，文件在磁盘中占用的空间和文件加载到内存当中是不一样的，文件加载到内存当中有一个解序列化的过程，也可能是一个个对象，所以文件的大小要远远<文件加载到内存当中的大小。

        如果总内存为4G，要拿出1G用来缓存小表，阈值如果也设置为1G，相当于在内存上缓存乘以10的大小，所以，文件大小如果是1G，那么阈值要除以10，即100MB。

3.Bucket Map Join

不支持自动转换

select *
from (
         select *
         from order_detail
         where dt = '2020-06-14'
     ) od
         join(
    select *
    from payment_detail
    where dt = '2020-06-14'
) pd
             on od.id = pd.order_detail_id;

优化前： 

set hive.auto.convert.join=false;

-- 执行计划：执行一个普通的common join

优化后：

-- 使用bucket map join,参与join的表必须均为分桶表，且关联字段为分桶字段，且其中一张表的分桶数量是另外一张表分桶数量的整数倍

-- 查看两张表的大小
desc formatted order_detail;-- 1G
desc formatted payment_detail;-- 320MB+

-- 首先需要依据源表创建两个分桶表，order_detail建议分16个bucket，payment_detail建议分8个bucket，注意分桶个数的倍数关系以及分桶字段。

-- 订单表分桶
create table order_detail_bucketed
(
    id           string comment '订单id',
    user_id      string comment '用户id',
    product_id   string comment '商品id',
    province_id  string comment '省份id',
    create_time  string comment '下单时间',
    product_num  int comment '商品件数',
    total_amount decimal(16, 2) comment '下单金额'
)
    clustered by (id) into 16 buckets
    row format delimited fields terminated by '\t';
-- 加载数据
insert overwrite table order_detail_bucketed
select id,
       user_id,
       product_id,
       province_id,
       create_time,
       product_num,
       total_amount
from order_detail
where dt = '2020-06-14';


-- 支付表分桶设置为小表
create table payment_detail_bucketed
(
    id              string comment '支付id',
    order_detail_id string comment '订单明细id',
    user_id         string comment '用户id',
    payment_time    string comment '支付时间',
    total_amount    decimal(16, 2) comment '支付金额'
)
    clustered by (order_detail_id) into 8 buckets
    row format delimited fields terminated by '\t';
-- 加载数据
insert overwrite table payment_detail_bucketed
select id,
       order_detail_id,
       user_id,
       payment_time,
       total_amount
from payment_detail
where dt = '2020-06-14';

-- 然后设置以下参数：

--关闭cbo优化，cbo会导致hint信息被忽略，需将如下参数修改为false
set hive.cbo.enable=false;
--map join hint默认会被忽略(因为已经过时)，需将如下参数修改为false
set hive.ignore.mapjoin.hint=false;
--启用bucket map join优化功能,默认不启用，需将如下参数修改为true
set hive.optimize.bucketmapjoin = true;
-- 支付表分桶为小表(320MB+)，每个桶都要缓存到map task中，分为8个桶，所以每个桶大概是320MB/8=40MB(文件大小)
-- 加载到内存中为40MB*10=400MB，map端内存默认为1024MB，1024>400，所以可以放得下

-- 重写sql语句

explain extended select /*+ mapjoin(pd) */
    *
from order_detail_bucketed od
join payment_detail_bucketed pd on od.id = pd.order_detail_id;

-- 优化后的执行计划

4.Sort Merge Bucket Map Join

不需要设置小表阈值，也不需要考虑内存的大小

触发Sort Merge Bucket Map Join前提条件：

1.保证参与join的表均为分桶表，且关联字段为分桶字段，且其中一张表的分桶数量是另外一张表分桶数量的整数倍；

2.设置以下的参数：

--启动Sort Merge Bucket Map Join优化
set hive.optimize.bucketmapjoin.sortedmerge=true;
--使用自动转换SMB Join
set hive.auto.convert.sortmerge.join=true;

5.Hive-join优化总结

不需要每个SQL语句都配置参数，通常是全局配置参数。

Map join的配置：大表 join 小表

-- 下面两条要进行全局设置，即在hive-site.xml文件中
set hive.auto.convert.join=true;
set hive.auto.convert.join.noconditionaltask=true;

-- 下面两条的参数取决于map端的缓存容量，最好是map端总内存的1/2~2/3，记得要除以10
-- 例如map端内存3G，要配置2G来缓存文件，那么下面的参数就要2/10=200MB;
set hive.mapjoin.smalltable.filesize=200MB*1024;
set hive.auto.convert.join.noconditionaltask.size=200MB*1024;

如果只有单条的SQL语句执行时间比其他SQL语句执行时间要长很多，那么就要针对改条SQL语句单独配置参数。

Bucket Map Join的配置：大表 join 大表

考虑分几个桶，也取决于map端的内存

--关闭cbo优化，cbo会导致hint信息被忽略
set hive.cbo.enable=false;
--map join hint默认会被忽略(因为已经过时)，需将如下参数设置为false
set hive.ignore.mapjoin.hint=false;
--启用bucket map join优化功能
set hive.optimize.bucketmapjoin = true;

SMB Map Join的配置：大表 join 大表

也要分桶，然后设置下面的参数

--启动Sort Merge Bucket Map Join优化
set hive.optimize.bucketmapjoin.sortedmerge=true;
--使用自动转换SMB Join
set hive.auto.convert.sortmerge.join=true;

        调研需求，设计架构，开发过程中分析出哪些数据量大，哪些数据量小，提前考虑好数据倾斜的问题，一个reduce能够做完就尽量不要用多个reduce；

        设置合理的mapreduce的task数量，在处理数据时测试和监控，基于数据量的大小计算map 、reduce的物理内存，压缩分区，查看是否有数据倾斜的发生，如果有数据倾斜，那么要查看哪些字段的数据会有数据倾斜的发生。

(四)数据倾斜(重要)

1.数据倾斜概述

        一条SQL语句的执行需要跑一个map reduce，使用分区字段恰好是分布不均的字段，就会导致在shuffle阶段，大量相同的数据被发往同一个reduce，进而导致该reduce所需的时间远远超过其他reduce，成为整个任务的瓶颈。

        业务中不怕数据量大，可以控制并行度，就怕数据倾斜，以为此时并行度即使再大，大量相同的数据仍然会被发往同一个reduce。

2.分组聚合导致的数据倾斜

        如果group by分组字段的值分布不均，就可能导致大量相同的key进入同一个reduce，从而导致数据倾斜问题。解决分组聚合导致的数据倾斜问题有以下两种解决思路：

(1)Map-Side聚合

参考(二)1

set hive.map.aggr=true;
set hive.map.aggr.hash.min.reduction=0.5;
set hive.map.aggr.hash.force.flush.memory.threshold=0.9;

(2)Skew-GroupBy优化

        Skew-GroupBy的原理是启动两个MR任务，第一个MR按照随机数分区，将数据分散发送到Reduce，完成部分聚合，第二个MR按照分组字段分区，完成最终聚合。相关参数如下：

--启用分组聚合数据倾斜优化

set hive.groupby.skewindata=true;

(3)优化案例

-- 查询每个省份的订单数
-- 表中province_id 99%的数据为1，此时就会有数据倾斜
select
    province_id,
    count(*)
from order_detail
group by province_id;

优化前：

set hive.map.aggr=false;
set hive.groupby.skewindata=false;

其他的reduce任务都完成，只有一个没有完成，发生了数据倾斜。

方案一在map端维护了hash表，比较耗费内存，如果达到map端的阈值，就会flush一次，当数据量很大，而map端的阈值又相对较小，就会flush很多次。

优化后：

-- 方案一：

--启用map-side聚合
set hive.map.aggr=true;
--关闭skew-groupby
set hive.groupby.skewindata=false;

此时每个reduce执行时间是均匀的，没有发生数据倾斜

-- 方案二：

--关闭map-side聚合
set hive.map.aggr=false;
--启用skew-groupby
set hive.groupby.skewindata=true;

此时每个reduce的运行时间相对均匀，但比方案一的时间要长一些

但是方案二比方案一相对好一些，不考虑内存，把数据打散再聚合。

2.Join导致的数据倾斜

        前文提到过，未经优化的join操作，默认是使用common join算法，也就是通过一个MapReduce Job完成计算。Map端负责读取join操作所需表的数据，并按照关联字段进行分区，通过Shuffle，将其发送到Reduce端，相同key的数据在Reduce端完成最终的Join操作。

        如果关联字段的值分布不均，就可能导致大量相同的key进入同一Reduce，从而导致数据倾斜问题。由join导致的数据倾斜问题，有如下三种解决方案：

(1)map join——适用于大表 join 小表时存在数据倾斜的场景

        使用map join算法，join操作仅在map端就能完成，没有shuffle操作，没有reduce阶段，自然不会产生reduce端的数据倾斜。该方案适用于大表join小表时发生数据倾斜的场景。相关参数如下：参考前文二、(二)

--启动Map Join自动转换
set hive.auto.convert.join=true;
-- 小表阈值
set hive.mapjoin.smalltable.filesize=250000;
--开启无条件转Map Join
set hive.auto.convert.join.noconditionaltask=true;
-- 小表阈值
set hive.auto.convert.join.noconditionaltask.size=10000000;

(2)skew join——适用于大表 join 大表时存在数据倾斜的场景

        skew join的原理是，为倾斜的大key单独启动一个map join任务进行计算，其余key进行正常的common join。原理图如下：

        原理解释：

        A表joinB表，A表中K1的数据量远大于其他的key，存在数据倾斜，当reduce端检测到数据倾斜的key，就不会完成key的join操作，会将A表中的k1和B表中的k1数据写到HDFS上，此时HDFS中就会产生两个文件：一个是来自A表的k1数据，一个是来自B表的k1数据，两表一大一小，对B表中的k1缓存到每一个map中，A表中的k1均匀地被切片，每一个mapper负责一个切片，就不会有数据倾斜的问题了。

       

        相关参数：       

--启用skew join优化

set hive.optimize.skewjoin=true;

--触发skew join的阈值，若某个key的行数超过该参数值，则触发

set hive.skewjoin.key=100000;

        注：这种方案对参与join的源表大小没有要求，但是对两表中倾斜的key的数据量有要求，要求一张表中的倾斜key的数据量比较小（方便走mapjoin）。

(3)调整SQL语句——适用于大表 join 大表时存在数据倾斜的场景

        若参与join的两表均为大表，其中一张表的数据是倾斜的，此时也可通过以下方式对SQL语句进行相应的调整。假设原始SQL语句如下：A，B两表均为大表，且其中一张表的数据是倾斜的。

初始化代码：

select
    *
from A
join B
on A.id=B.id;

优化前：

优化后：

select
    *
from(
    select --打散操作
        concat(id,'_',cast(rand()*2 as int)) id,
        -- select cast(rand() * 2 as int);‘
        -- 0或1，将倾斜的key分成两部分，一部分id_0，另一部分id_1

        value
    from A
)ta
join(
    select --扩容操作
        concat(id,'_',0) id,
        value
    from B
    union all
    select
        concat(id,'_',1) id,
        value
    from B
)tb
on ta.id=tb.id;

(4)优化案例

-- 优化前：

set hive.auto.convert.join=false;
-- hive中的map join自动转换是默认开启的，
-- 若想看到数据倾斜的现象，需要先将hive.auto.convert.join参数设置为false。
set hive.optimize.skewjoin=false;
-- skew join也要关闭

select
    *
from order_detail od
join province_info pi
on od.province_id=pi.id;

执行计划：

执行common join，由一个map reduce完成，一个读取order_detail表，一个读取province_info表，在reduce端完成join操作。

 这里有一个reduce迟迟未完成，发生了数据倾斜。

-- 优化后：

-- 方案一：map join

set hive.auto.convert.join=true;

只有map，没有reduce，没有发生数据倾斜

-- 方案二：skew join

set hive.auto.convert.join=false;-- 关闭map join
set hive.optimize.skewjoin=true;-- 开启skew join

执行计划：

        该sql在yarn上最终启动了两个mr任务，而且第二个任务只有map没有reduce阶段，说明第二个任务是对倾斜的key进行了map join。

(五)任务并行度

        对于一个分布式的计算任务而言，设置一个合适的并行度十分重要。Hive的计算任务由MapReduce完成，故并行度的调整需要分为Map端和Reduce端。

1.Map端并行度——一般不用调

(1)查询的表中存在大量小文件

-- 默认是开启的
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

(2)map端有复杂的查询逻辑

        若SQL语句中有正则替换、json解析等复杂耗时的查询逻辑时，map端的计算会相对慢一些。若想加快计算速度，在计算资源充足的情况下，可考虑增大map端的并行度，令map task多一些，每个map task计算的数据少一些。

--一个切片的最大值
set mapreduce.input.fileinputformat.split.maxsize=256000000;

2.Reduce端并行度

Reduce端的并行度，也就是Reduce个数。相对来说，更需要关注。Reduce端的并行度，可由用户自己指定，也可由Hive自行根据该MR Job输入的文件大小进行估算。

Reduce端的并行度的相关参数如下：

--指定Reduce端并行度，默认值为-1，表示用户未指定

set mapreduce.job.reduces;

--Reduce端并行度最大值

set hive.exec.reducers.max;

--单个Reduce Task计算的数据量，用于估算Reduce并行度

set hive.exec.reducers.bytes.per.reducer;

优化案例：

select
    province_id,
    count(*)
from order_detail
group by province_id;

-- 优化前：

刷新所有的参数

        开启了5个reduce，5个Reduce端实际一共会接收170（34*5）条记录，理论上Reduce端并行度设置为1就足够了。这种情况下，用户可通过以下参数，自行设置Reduce端并行度为1。

-- 优化后：

--指定Reduce端并行度，默认值为-1，表示用户未指定
set mapreduce.job.reduces=1;

这样，一个reduce就可以接收170条记录，节省资源。

(六)小文件合并

1.Map端输入文件合并

        合并Map端输入的小文件，是指将多个小文件划分到一个切片中，进而由一个Map Task去处理。目的是防止为单个小文件启动一个Map Task，浪费计算资源。相关参数为：

--可将多个小文件切片，合并为一个切片，进而由一个map任务处理
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

2.Reduce输出文件合并

合并Reduce端输出的小文件，是指将多个小文件合并成大文件。目的是减少HDFS小文件数量。其原理是根据计算任务输出文件的平均大小进行判断，如果任务输出文件的平均大小<触发小文件合并任务的阈值，就会去进行相应的合并。相关参数为：

--开启合并map，针对只有map的计算输出小文件任务

set hive.merge.mapfiles=true;-- 默认为false

--开启合并map reduce任务输出的小文件，如果reduce端输出有小文件就会触发

set hive.merge.mapredfiles=true;-- 默认为false

--合并后的文件大小

set hive.merge.size.per.task=256000000;

--触发小文件合并任务的阈值，若某计算任务输出的文件平均大小低于该值，则触发合并

set hive.merge.smallfiles.avgsize=16000000;

3.优化案例

-- 优化前：

drop table if exists order_amount_by_province;
create table order_amount_by_province
(
    province_id  string comment '省份id',
    order_amount decimal(16, 2) comment '订单金额'
)
    location '/order_amount_by_province';

insert overwrite table order_amount_by_province
select province_id,
       sum(total_amount)
from order_detail
group by province_id;

        有几个reduce，就会产生几个文件，在并行度设置那一节我们已知select语句会产生5个reduce，因此，会产生5个小文件。

-- 优化后：

-- 方案一：合理设置任务的Reduce端并行度

若将上述计算任务的并行度设置为1，就能保证其输出结果只有一个文件。

set mapreduce.job.reduces=1;

-- 方案二：启用Hive合并小文件优化

-- 开启合并map reduce任务输出的小文件
set hive.merge.mapredfiles=true;

-- 合并后的文件大小(不进行设置，使用默认值即可)
set hive.merge.size.per.task=256000000;

-- 触发小文件合并任务的阈值，若某计算任务输出的文件平均大小低于该值，则触发合并
-- (不进行设置，使用默认值即可)
set hive.merge.smallfiles.avgsize=16000000;

(七)CBO优化

1.CBO优化说明

        CBO是指Cost based Optimizer，即基于计算成本的优化。

        在Hive中，计算成本模型考虑到了：数据的行数、CPU、本地IO、HDFS IO、网络IO等方面。Hive会计算同一SQL语句的不同执行计划的计算成本，并选出成本最低的执行计划。目前CBO在hive的MR引擎下主要用于join的优化，例如多表join的join顺序。相关参数为：

--是否启用cbo优化 

set hive.cbo.enable=true;

2.优化案例

select
    *
from order_detail od
join product_info product on od.product_id=product.id
join province_info province on od.province_id=province.id;

-- 优化前：

--关闭cbo优化 
set hive.cbo.enable=false;

--为了测试效果更加直观，关闭map join自动转换
set hive.auto.convert.join=false;

与SQL语句中join的顺序一致

大表(order_info)与大表(product_info)进行join，结果有更大的可能性是一个大表。

-- 优化后：

-- 与SQL语句中join的顺序不一致，先是order_info与province_info进行关联，形成一个新表，然后新表与product_info进行关联。

上面两张图的差异主要体现在middle result的优化。

大表(order_info)与小表(province_info)进行关联，有更大的可能性产生一个小表，从而使整个计算任务的数据量减小，也就是使计算成本变小。

(八)谓词(where过滤)下推

1.谓词下推优化说明

        谓词下推（predicate pushdown）是指，尽量将过滤操作前移，以减少后续计算步骤的数据量。相关参数为：

--是否启动谓词下推（predicate pushdown）优化
set hive.optimize.ppd = true;

        需要注意的是：CBO优化也会完成一部分的谓词下推优化工作，因为在执行计划中，谓词越靠前，整个计划的计算成本就会越低。

2.优化案例

select
    *
from order_detail
join province_info
where order_detail.province_id='2';

-- 优化前：

--是否启动谓词下推（predicate pushdown）优化
set hive.optimize.ppd = false;

--为了测试效果更加直观，关闭cbo优化
set hive.cbo.enable=false;

执行计划：

先对order_info和province_info进行关联，关联后再进行过滤，效率低。

-- 优化后：

-- 方案一：谓词下推

--是否启动谓词下推（predicate pushdown）优化
set hive.optimize.ppd = true;

--为了测试效果更加直观，关闭cbo优化
set hive.cbo.enable=false;

执行计划：

先将order_detail.province_id='2'的数据过滤出来，形成一个新表，然后再与province_info进行关联。

-- 方案二：修改SQL语句，先过滤，再进行join操作

select *
from (select *
      from order_detail
      where product_id = '2'
     ) t1
         join province_info;

执行计划：与谓词下推差异不大，所以hive中的子查询并不会影响性能。

(九)矢量化(向量化)查询

Hive的矢量化查询优化，依赖于CPU的矢量化计算，可以极大的提高一些典型查询场景（例如scans, filters, aggregates, and joins）下的CPU使用效率。相关参数如下：

-- 只需将其设置为true即可
set hive.vectorized.execution.enabled=true;

(十)Fetch抓取

1.Fetch说明

        一些简单的查询，例如select * from emp，不需要提交到yarn上进行MapReduce操作，在本地运行即可。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，然后输出查询结果到控制台。相关参数如下：

-- 该设置主要是控制哪些查询能够直接转为Fetch抓取任务的，即是否在特定场景转换为fetch 任务
--设置为none表示不转换
--设置为minimal表示支持select *，分区字段过滤，Limit等
--设置为more表示支持select 任意字段,包括函数，过滤，和limit等
set hive.fetch.task.conversion=more;

2.优化案例

select * from province_info;

-- 优化前：(51s)

set hive.fetch.task.conversion=none;-- 不转换为Fetch任务

可以看到即使一个很简单的查询也会进行MR计算

-- 优化后：(583ms)

set hive.fetch.task.conversion=minimal;
-- 开启Fetch计算，并且没有提交到yarn

(十一)本地模式

        将原来需要提交到yarn上的操作，例如分组聚合、join转为本地任务，在本地的进程当中完成分布式运算。本地模式的前提是数据量不能太大。相关参数如下：

-- framework.name=local这一设置要慎用，它强制将所有的操作都转为本地模式
set mapreduce.framework.name=local;

-- 开启自动转换为本地模式
set hive.exec.mode.local.auto=true;  

-- 设置local MapReduce的最大输入数据量，当输入数据量小于这个值时采用local，否则提交到yarn
-- MapReduce的方式，默认为134217728，即128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;-- 尽量<1G

-- 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，否则提交到yarn
-- MapReduce的方式，默认为4
set hive.exec.mode.local.auto.input.files.max=10;

(十二)并行执行

set hive.auto.convert.join=false;
select 
       *
from (
         select 
                user_id,
                count(*)
         from order_detail
         group by user_id
    ) od
join (
    select 
           user_id,
           count(*)
    from payment_detail
    group by user_id
    ) pd;

-- 优化前：

--关闭并行执行优化
set hive.exec.parallel=false;     

yarn端一个mr运行结束之后，才会运行下一个，浪费资源

-- 优化后：

--启用并行执行优化
set hive.exec.parallel=true;     

yarn端一同提交两个mr，节省资源

(十三)严格模式——全局配置较多

严格模式主要用来防止一些危险操作：

1.分区表使用分区过滤——防止全表扫描

set hive.strict.checks.no.partition.filter=true;

2.使用order by必须有limit过滤——防止全局排序

set hive.strict.checks.orderby.no.limit=true;

上面的参数设置好后，使用了order by但是没有使用limit的语句就不会被执行。该参数有时候也会进行全局设置，即配置在hive-site.xml文件中。

案例：

select *
from product_info
order by id
limit 100;

order by后面添加limit后，map端输出100行数据：

reduce端也会输入100行数据：

3.限制笛卡尔积查询——防止出现不可控的情况

-- 该参数设置为true，就会限制笛卡尔积的查询。
set hive.strict.checks.cartesian.product=true;