Hive 基于MapReduce引擎 map和reduce数的参数控制原理与调优经验
1.概述
主要对基于MR的map数和reduce数测试与调优
2.数据准备
（1）表信息
本次测试的表和sql都是使用的TPC-DS，表文件存储格式为text
| 表名 |
是否压缩 |
总数 |
占用空间 |
文件数 |
| date_dim |
否 |
73049 |
9.8 M |
1 |
| item |
否 |
48000 |
12.9 M |
1 |
| store |
否 |
118 |
30.5 K |
1 |
| store_sales |
否 |
23039641872 |
3109G |
8000 |
| store_sales_compress |
是 |
23039641872 |
825.3 G |
3515 |
store_sales事实大表的数据块分布
| 单个文件占用空间 |
380-400M |
400M以上 |
| 文件数 |
7927 |
73 |
store_sales的表结构：
# 查看表的结构
show create table store_sales;
（2）SQL 语句
测试SQL为CPU密集型，密集型的含义：在SQL运行期间CPU占比会很高
3.map数的控制
3.1 map数控制测试
Hive中来控制map数量的参数不是Hive本身的参数，而是MapReduce的参数，但是可以通过在Hive中使用set的形式来使用。影响map个数的hive参数如下表：
| 参数 |
默认值 |
说明 |
| mapreduce.input.fileinputformat.split.maxsize |
256000000 |
每个Map的最大输入 |
| mapreduce.input.fileinputformat.split.minsize |
1 |
每个Map的最小输入 |
| mapred.map.task |
2 |
Task数量 |
| hive.input.format |
org.apache.hadoop.hive.ql.io. CombineHiveInputFormat |
输出格式 |
| dfs.block.size |
134217728 |
默认的block块大小 |
说明：dfs.block.size参数不能通过Hive的set语句来设置，只能通过修改HDFS的参数来设置。
3.1.1 HiveInputFormat
当输入类型为HiveInputFormat时，map数量由以下参数控制，且剩余的小文件不会合并：
| 参数 |
默认值 |
说明 |
| mapreduce.input.fileinputformat.split.minsize |
1 |
每个Map的最小输入 |
| mapred.map.task |
2 |
Task数量 |
| dfs.block.size |
134217728 |
默认的block块大小 |
文件的分割大小满足下面的公式：
splitSize= max{ mapreduce.input.fileinputformat.split.minsize ,min{ dfs.block.size , 表大小 / mapred.map.task } }测试1：
参数设置：
mapred.map.tasks=2;
mapreduce.input.fileinputformat.split.minsize=1;
结果打印：
Hadoop job information for Stage-4: number of mappers : 29930 ; number of reducers :1009共有29930个map数
根据公式可以计算出来，文件分割大小为dfs.block.size的值，128M。
store_sales表总共有8000个文件，数据量分布在380-410M之间。
例子：
一个400M的文件，理论上根据128M分割，会分割成4个文件。（128M,128M,128M,16M）
一个350M的文件，理论上根据128M分割，会分割成3个文件。（128M,128M,94M）
所以map数应该在3*8000 ~ 4*8000之间。结果值29930满足上述公式。
测试2：
参数设置：
mapred.map.tasks=2;
mapreduce.input.fileinputformat.split.minsize=256000000;
结果打印：
Hadoop job information for Stage-4: number of mappers : 16000 ; number of reducers :1009共有16000个map数
根据公式可以计算出来，文件分割大小为mapreduce.input.fileinputformat.split.minsize的值为244M。
每个文件都被分成两个文件，所以map数为16000。
测试3：
参数设置：
mapred.map.tasks=2;
mapreduce.input.fileinputformat.split.minsize= 512000000;
结果打印：
Hadoop job information for Stage-4: number of mappers : 8000; number of reducers :1009总共有8000个map数
根据公式可以计算出来，文件分割大小为mapreduce.input.fileinputformat.split.minsize的值为488M。
每个文件都被分成一个文件，所以map数为8000。
测试4：
参数设置：
mapred.map.tasks=2;
mapreduce.input.fileinputformat.split.minsize= 1024000000;
结果打印：
Hadoop job information for Stage-4: number of mappers : 8000 ; number of reducers :1009总共有8000个map数
根据公式可以计算出来，文件分割大小为mapreduce.input.fileinputformat.split.minsize的值为488M。
每个文件都被分成一个文件，所以map数为8000。
3.1.2 CombineHiveInputFormat
当输入类型为CombineHiveInputFormat时，map数量由以下参数控制，剩余的小文件会合并：
| 参数 |
默认值 |
说明 |
| mapreduce.input.fileinputformat.split.maxsize |
256000000 |
每个Map的最大输入 |
测试1：
参数设置：
mapreduce.input.fileinputformat.split.maxsize=256000000;
结果打印：
Hadoop job information for Stage-4: number of mappers : 12001; number of reducers :1009总共有12001个map数
由于CombineHiveInputFormat，会对小文件进行合并，所以需要根据数据的总量去计算map数，3000 * 1024 / 12000≈256000000
测试2：
参数设置：
mapreduce.input.fileinputformat.split.maxsize=128000000;
结果打印：
Hadoop job information for Stage-4: number of mappers : 24001; number of reducers :1009总共有24001个map数
测试3：
参数设置：
mapreduce.input.fileinputformat.split.maxsize=512000000;
结果打印：
Hadoop job information for Stage-4: number of mappers : 6001; number of reducers :1009总共有6001个map数
测试4：
参数设置：
mapreduce.input.fileinputformat.split.maxsize=1024000000;
结果打印：
Hadoop job information for Stage-4: number of mappers : 3001; number of reducers :1009总共有3001个map数
3.1.3 Text格式文件压缩
压缩相关参数
| 参数 |
默认值 |
说明 |
| io.compression.codecs |
org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.SnappyCodec |
Hive配置可用的压缩算法 |
| hive.exec.compress.output |
false |
开启压缩 |
| mapreduce.output.fileoutputformat.compress.codec |
org.apache.hadoop.io.compress.DefaultCodec |
使用的压缩算法 |
测试使用store_sales_compress表，Text格式，压缩格式为DefaultCodec，文件都是.deflate结尾的。DefaultCodec不支持文件切分，每个文件大小分布在280M~340M之间
| 表名 |
是否压缩 |
总数 |
占用空间 |
文件数 |
| store_sales_compress |
是 |
23039641872 |
825.3 G |
3515 |
测试1：
参数设置：
mapreduce.input.fileinputformat.split.maxsize=512000000;
结果打印：
Hadoop job information for Stage-4: number of mappers : 3515; number of reducers :1009总共有3515个map数
测试2：
参数设置：
mapreduce.input.fileinputformat.split.maxsize=256000000;
结果打印：
Hadoop job information for Stage-4: number of mappers : 3515; number of reducers :1009总共有3515个map数
因为文件存储使用了DefaultCodec压缩，且DefaultCodec压缩不支持文件切分，所以我们设置参数为256000000时没有生效。
测试3：
参数设置：
mapreduce.input.fileinputformat.split.maxsize=128000000;
结果打印：
Hadoop job information for Stage-4: number of mappers : 3515; number of reducers :1009总共有3515个map数
因为文件存储使用了DefaultCodec压缩，且DefaultCodec压缩不支持文件切分，所以我们设置参数为128000000时没有生效。
3.2 map数控制结果
3.2.1 HiveInputFormat
| mapreduce.input.fileinputformat.split.minsize值 |
Map数 |
| 1 |
29930 |
| 256000000 |
16000 |
| 512000000 |
8000 |
| 1024000000 |
8000 |
3.2.2 CombineHiveInputFormat
| mapreduce.input.fileinputformat.split. maxsize值 |
Map数 |
| 256000000 |
12001 |
| 128000000 |
24001 |
| 512000000 |
6001 |
| 1024000000 |
3001 |
3.2.3 Text格式文件压缩
| mapreduce.input.fileinputformat.split. maxsiz值 |
Map数 |
| 512000000 |
3515 |
| 256000000 |
3515 |
| 128000000 |
3515 |
4.reduce数的控制
4.1 影响reduce个数的参数
| 参数 |
默认值 |
说明 |
| mapred.reduce.tasks |
-1 |
指定reduce的个数 |
| hive.exec.reducers.bytes.per.reducer |
67108864 |
每个reduce的数据处理量 |
| hive.exec.reducers.max |
1009 |
reduce的最大个数 |
reduce的个数满足下面的公式：
reduce=min(hive.exec.reducers.max, map input数据大小/hive.exec.reducers.bytes.per.reducer)reduce的个数控制相对于map就要简单很多，并且可以精确地来控制reduce的个数。
（1）mapred.reduce.tasks
可以通过修改mapred.reduce.tasks的值来精确控制reduce的个数。默认情况下不设置，除非对于某个特定的SQL语句可以单独设置，但是功能上没有hive.exec.reducers.max来的方便。
其中，每个reduce处理的数据为（总数据量 /设置的reduce个数）。
测试1：
参数设置：
set mapred.reduce.tasks=200;
结果打印：
Hadoop job information for Stage-4: number of mappers : 12001; number of reducers :200总共有200个reduce，从上述的1009个变成200个。
（2）hive.exec.reducers.bytes.per.reducer
测试1：
参数设置：
set hive.exec.reducers.bytes.per.reducer = 67108864;
结果打印：
Hadoop job information for Stage-4: number of mappers : 12001; number of reducers :1009共有1009个reduce数
根据公式可以计算出：
3109 * 1024 / (67108864/ 1024 /1024 ) = 49744 > 1009，所以reduce个数为1009
测试2：
参数设置：
set hive.exec.reducers.bytes.per.reducer = 4096000000;
结果打印：
Hadoop job information for Stage-4: number of mappers : 12001; number of reducers :816共有816个reduce数
根据公式可以计算出：
3109 * 1024 / (4096000000 / 1024 /1024 ) = 815 < 1009 ，根据结果需要取815值。算出来的值也基本等于上面的816
5.调优流程
（1）map
基于MR，先判断文件是否压缩，且压缩文件是否支持切分，再判断是hive.input.format的实现类。然后使用相对应的参数进行map数调优。
（2）reduce
需要根据集群的资源以及map端实际的输出数据量来设置reduce数。
6.总结
（1）map
-
当使用压缩时，如果压缩文件不可切分，那么久不能通过修改参数来改动map数。所以在选择压缩算法时，需要考虑该压缩算法是否支持文件切分。
-
在MR作为引擎的情况下，推荐使用CombineHiveInputFormat，而不是HiveInputFormat
-
需要通过测试来得到性能好的map数。不是越多越好，也不是越少越好
（2）reduce
-
推荐reduce数为集群能启动的最大container数的80%，或者小于这个数。
-
mapred.reduce.tasks这个参数一般不推荐使用。