hive优化思路

转载：http://blog.csdn.net/johnny_lee/article/details/8867632

最近使用hive一个多月下来(终于完成第一期数据分析迁移工作了)，当时使用的0.8的版本（现在最新版本是0.8.1），一个多月下来收获很多。从安装环境、

调试、开发、业务理解、技术攻关、业务实现等，一一都体验了一把！

总的来说，除了目前网上所介绍的常规hive使用和优化外。

因为目前hive只支持0.20的相关版本，所以我们的环境还是使用的0.20版本的hadoop来进行搭建。
使用hive和hadoop是一种综合能力的体现，之前我在使用的过程当中，还涉及到很多系统层面的问题。如果让hive和hadoop结合的更紧密，个人认为是从以下几个角度进行：
第一：hive的类SQL语句本身进行调优
第二：就是hive的参数调优
第三：hadoop里的hdfs的参数调优（存储格式、压缩格式、RPC调用、连接数控制）
第四：hadoop里的map/reduce的调优（datanode间的数据传输、处理大小、每个child的相关JVM设置等）
第五：就是hadoop环境里的网络传输的调优（硬件环境）
第六：就是hdfs的存储格式调优（文本格式、顺序格式等）
第七：操作系统层面的磁盘I/O调优（多路复用等）
第八：操作系统层面的网络调优（缓冲区大小、连接数放大等）
第九：操作系统层面的内存调优（虚拟内存设置、内存控制等）
第十：hadoop的容错机制的掌握，因为正常的运行到没什么，怕就是出现异常时，有相应的应对方案（调度器、队列等）
第十一：hadoop的管理（包括datanode失效、namenode失效、加入或删除datanode、负载均衡、集群等）

另外网上更多的是基于SUN的JVM来搭建hadoop环境，但我在使用的过程中是用jrockit的JVM来搭建hadooop环境，主要是考虑到目前在jrockit 6.0的版本上性能比较强劲（体现在网络传输、线程、GC回收等）。

另一方面是使用到了多种程序语言，如SQL（不过还是跟真正在数据库的SQL语法有区别的）、java、python（还好之前有用过python做过开发）、shell等。
现在先说说hive，毕竟在这次的开发过程中，hive使用比例很大。关于hive其中有些参数的使用和搭配，目前我还在测试过程当中（几个关键参数），以后再详细讲解。
hive个人觉得更适合做一些聚合场景的相关处理，其自定义函数UDAF更能体现这样的一个特点。
关于UDF这种自定义函数比较适合做一些字段上的转换处理，例如一个Text类型转换成一个array类型；另外就是可以实现更为丰富的解码方式，如在URL中有些参数使用了UTF-8编码或者GBK编码的方式。
还支持自定义的map/reduce方式（相关关键字）。

/*mapjoin*/这种标识（这里描述有误，mapjoin是提供了一种提高join的方式）。
支持多种存储格式，如：行格式、文件格式等，hdfs里也支持多种存储格式。
支持导入/导出数据，这里需要提醒下，使用hive命令的导出，会把一行数据进行合并，也就看不出字段；所以一般都采用 hive -e 'select * from t' >> 123.txt这样形式命令，才能使导出的字段由空格进行分割(后来验证过，这是我的一个使用失误，其实里面还是有\001的符号，只是显示的时候不显示而已，所以两种方式都适合)。
NULL和空值的区别，在hive的处理时需要注意（特别是与python这样的脚本结合使用，另外还有在python中的字段切割问题）。

现在总结下hive不擅长的地方
因为我这次的开发任务是将有些用SAS计算的任务迁移到hadoop上面进行数据分析，因为SAS上有很多强劲的功能，在做数据分析时很有帮助；但在hive上面就没有这样的功能了。举例如下：
SAS上有类似与游标的概念的东东，可以操作记录行，并对记录里一某个字段进行移动（如将某个字段移到前一条记录上面）
SAS有排重功能（也就是根据几个字段，去掉重复数据）
SAS可以轻松进行分组后，前取每个分组里的前10条记录
SAS不好的地方就是进行解码转换（如经过UTF-8或者GBK编码的方式，这里主要指的是URL里，就比较麻烦）
常见场景等，另外还有几种情况描述起来较为复杂，这里略之。

关于之前描述的前三种情况，如果只是简单的用HIVE本身的SQL语句方式那是很难实现的，三种情况的共同点就是如何操作一行记录。
hadoop里有一种方式叫streaming，就是一行一行的读取，然后通过脚本的方式进行处理，在这里刚好hive是支持脚本的，所以可以用脚本来实现操作一行记录（我这里使用的是python脚本）
关于排重功能，在SAS实现的原理基本就是按照几个关键字进行排序，然后进行排重处理（因为排序之后，重复的数据肯定是在一起的，这样做排重处理就比较方便了）。
所以在hive这边，首先也是进行按几个关键字排序，然后采用脚本方式进行去掉重复数据。
虽然脚本的运行时间比纯java要慢，但是因为脚本满足了业务需求，所以运行慢的缺陷我们是可以忽略的，毕竟hive后期调优中，也有关键字的支持map、reduce。
关于如何用脚本进行取每个分组的前10条记录（给一个简单的业务场景，取每个地区(按上海、北京、深圳、广州等)的销售量前十名的业务员），由读者自己可以思考下。
第四个场景，关于URL参数解码问题，很简单，就自定义一个UDF，然后通过java的方式来进行解决。这里有个比较麻烦的地方就是如何区分出这个URL是用UTF-8编码还是GBK编码。

另补充两点：

就是一个hiveSQL脚本，最好别太多SQL，不然会导致一些异常情况出现。最好进行拆分。如下：

1.sql

1_1.sql

1_2.sql

形式，这样方便在shell里进行控制。
第二个就是多看源码（hadoop源码、hive源码），发现有些参数配置，都在程序里，但文档中并没有体现。

这些就是大致使用下来的感觉，后续还有新的体验，再增加吧！
如有不懂的地方，可以提问。

这里是再次补充下这个项目有关hive的使用问题：

 首先是去重问题，后来经过反复测试发现，map个数不能是多个，不然前一个split的最后一条记录，与后一个split的第一条记录，无法进行匹配去重。

所以当碰到这样的问题时，MR的优势将无法体现出来，目前采用的是最简单的方法就是map个数和redce个数都设置成1

但是不知道MR其中有一种chain方式是否可行。

综上所述，当碰到这种上下记录有关联的时候，如何利用MR这种模式，还是要好好琢磨和不断的测试的。