深入浅出学Hive：Hive优化
目錄：
初始Hive
Hive安裝與配置
Hive內建操作符與函數開發
Hive JDBC
Hive參數
Hive高級編程
Hive QL
Hive Shell基本操作
Hive優化
Hive體系結構
Hive原理
?
?
?
第一部分：Hadoop 計算框架的特性
什么是數據傾斜
?由于數據的不均衡原因，導致數據分布不均勻，造成數據大量的集中到一點，造成數據熱點
Hadoop框架的特性
?不怕數據大，怕數據傾斜
?jobs數比較多的作業運行效率相對比較低，比如即使有幾百行的表，如果多次關聯多次匯總，產生十幾個jobs，耗時很長。原因是map reduce作業初始化的時間是比較長的
?sum,count,max,min等UDAF，不怕數據傾斜問題,hadoop在map端的匯總合并優化，使數據傾斜不成問題
?count(distinct ),在數據量大的情況下，效率較低，因為count(distinct)是按group by 字段分組，按distinct字段排序，一般這種分布方式是很傾斜的
第二部分：優化的常用手段
優化的常用手段
?解決數據傾斜問題
?減少job數
?設置合理的map reduce的task數，能有效提升性能。
?了解數據分布，自己動手解決數據傾斜問題是個不錯的選擇
?數據量較大的情況下，慎用count(distinct)。
?對小文件進行合并，是行至有效的提高調度效率的方法。
?優化時把握整體，單個作業最優不如整體最優。
?
?
第三部分：Hive的數據類型方面的優化
優化原則
?按照一定規則分區（例如根據日期）。通過分區，查詢的時候指定分區，會大大減少在無用數據上的掃描, 同時也非常方便數據清理。
?合理的設置Buckets。在一些大數據join的情況下，map join有時候會內存不夠。如果使用Bucket Map Join的話，可以只把其中的一個bucket放到內存中，內存中原來放不下的內存表就變得可以放下。這需要使用buckets的鍵進行join的條件連結，并且需要如下設置
???? set hive.optimize.bucketmapjoin = true
第四部分：Hive的操作方面的優化
?全排序
?怎樣做笛卡爾積
?怎樣決定map個數
?怎樣決定reducer個數
?合并MapReduce操作
?Bucket 與 sampling
?Partition
?JOIN
?Group By
?合并小文件
全排序?
?Hive的排序關鍵字是SORT BY，它有意區別于傳統數據庫的ORDER BY也是為了強調兩者的區別–SORT BY只能在單機范圍內排序
怎樣做笛卡爾積
?當Hive設定為嚴格模式（hive.mapred.mode=strict）時，不允許在HQL語句中出現笛卡爾積
?MapJoin是的解決辦法
?MapJoin，顧名思義，會在Map端完成Join操作。這需要將Join操作的一個或多個表完全讀入內存
?MapJoin的用法是在查詢/子查詢的SELECT關鍵字后面添加/*+ MAPJOIN(tablelist) */提示優化器轉化為MapJoin（目前Hive的優化器不能自動優化MapJoin）
?其中tablelist可以是一個表，或以逗號連接的表的列表。tablelist中的表將會讀入內存，應該將小表寫在這里
?在大表和小表做笛卡爾積時，規避笛卡爾積的方法是，給Join添加一個Join key，原理很簡單：將小表擴充一列join key，并將小表的條目復制數倍，join key各不相同；將大表擴充一列join key為隨機數
?
控制Hive的Map數
?通常情況下，作業會通過input的目錄產生一個或者多個map任務
?主要的決定因素有： input的文件總個數，input的文件大小，集群設置的文件塊大小(目前為128M, 可在hive中通過set dfs.block.size;命令查看到，該參數不能自定義修改)
?是不是map數越多越好
答案是否定的。如果一個任務有很多小文件（遠遠小于塊大小128m）,則每個小文件也會被當做一個塊，用一個map任務來完成，?
而一個map任務啟動和初始化的時間遠遠大于邏輯處理的時間，就會造成很大的資源浪費。?
而且，同時可執行的map數是受限的
?是不是保證每個map處理接近128m的文件塊，就高枕無憂了？
???? 答案也是不一定。比如有一個127m的文件，正常會用一個map去完成，但這個文件只有一個或者兩個小字段，卻有幾千萬的記錄，?
如果map處理的邏輯比較復雜，用一個map任務去做，肯定也比較耗時。?
針對上面的問題3和4，我們需要采取兩種方式來解決：即減少map數和增加map數；
?是不是保證每個map處理接近128m的文件塊，就高枕無憂了？
???? 答案也是不一定。比如有一個127m的文件，正常會用一個map去完成，但這個文件只有一個或者兩個小字段，卻有幾千萬的記錄，?
如果map處理的邏輯比較復雜，用一個map任務去做，肯定也比較耗時。?
針對上面的問題3和4，我們需要采取兩種方式來解決：即減少map數和增加map數；
?舉例
??? a)?假設input目錄下有1個文件a,大小為780M,那么hadoop會將該文件a分隔成7個塊（6個128m的塊和1個12m的塊），從而產生7個map數?
b)??? 假設input目錄下有3個文件a,b,c,大小分別為10m，20m，130m，那么hadoop會分隔成4個塊（10m,20m,128m,2m）,從而產生4個map數?
即，如果文件大于塊大小(128m),那么會拆分，如果小于塊大小，則把該文件當成一個塊
?
怎樣決定reducer個數
?Hadoop MapReduce程序中，reducer個數的設定極大影響執行效率
?不指定reducer個數的情況下，Hive會猜測確定一個reducer個數，基于以下兩個設定：
???? 參數1：hive.exec.reducers.bytes.per.reducer（默認為1G)
??? 參數2 ：hive.exec.reducers.max（默認為999）
?計算reducer數的公式
?N=min(參數2，總輸入數據量/參數1)
?依據Hadoop的經驗，可以將參數2設定為0.95*(集群中TaskTracker個數)
?reduce個數并不是越多越好
同map一樣，啟動和初始化reduce也會消耗時間和資源；?
另外，有多少個reduce,就會有多少個輸出文件，如果生成了很多個小文件，那么如果這些小文件作為下一個任務的輸入，則也會出現小文件過多的問題
?什么情況下只有一個reduce
?????????? 很多時候你會發現任務中不管數據量多大，不管你有沒有設置調整reduce個數的參數，任務中一直都只有一個reduce任務；?
其實只有一個reduce任務的情況，除了數據量小于
????? hive.exec.reducers.bytes.per.reducer參數值的情況外，還有以下原因：?
a)??? 沒有group by的匯總?
b)??? 用了Order by
合并?MapReduce?操作?
?
??Multi-group by
?Multi-group by是Hive的一個非常好的特性，它使得Hive中利用中間結果變得非常方便
?FROM log
?? insert overwrite table test1 select log.id group by log.id
??? insert? overwrite table test2 select log.name group by log.name
??上述查詢語句使用了Multi-group by特性連續group by了2次數據，使用不同的group by key。這一特性可以減少一次MapReduce操作。
Bucket?與 Sampling
?Bucket是指將數據以指定列的值為key進行hash，hash到指定數目的桶中。這樣就可以支持高效采樣了
?Sampling可以在全體數據上進行采樣，這樣效率自然就低，它還是要去訪問所有數據。而如果一個表已經對某一列制作了bucket，就可以采樣所有桶中指定序號的某個桶，這就減少了訪問量。
?如下例所示就是采樣了test中32個桶中的第三個桶。
?SELECT * FROM test 、、、TABLESAMPLE(BUCKET 3 OUT OF 32);
JOIN?原則
?在使用寫有 Join 操作的查詢語句時有一條原則：應該將條目少的表/子查詢放在 Join 操作符的左邊
?原因是在 Join 操作的 Reduce 階段，位于 Join 操作符左邊的表的內容會被加載進內存，將條目少的表放在左邊，可以有效減少發生 OOM 錯誤的幾率
Map Join?
?Join 操作在 Map 階段完成，不再需要Reduce，前提條件是需要的數據在 Map 的過程中可以訪問到
?例如：
?INSERT OVERWRITE TABLE phone_traffic
SELECT /*+ MAPJOIN(phone_location) */? l.phone,p.location,l.traffic from phone_location p join log l on (p.phone=l.phone)
?相關的參數為：
hive.join.emit.interval = 1000?How many rows in the right-most join operand Hive should buffer before emitting the join result.
hive.mapjoin.size.key = 10000
hive.mapjoin.cache.numrows = 10000
Group By?
?Map 端部分聚合
?并不是所有的聚合操作都需要在 Reduce 端完成，很多聚合操作都可以先在 Map 端進行部分聚合，最后在 Reduce 端得出最終結果
?
??基于 Hash
??參數包括：
?hive.map.aggr = true 是否在 Map 端進行聚合，默認為 True
?hive.groupby.mapaggr.checkinterval = 100000 在 Map 端進行聚合操作的條目數目
?有數據傾斜的時候進行負載均衡
?hive.groupby.skewindata = false
?當選項設定為 true，生成的查詢計劃會有兩個 MR Job。第一個 MR Job 中，Map 的輸出結果集合會隨機分布到 Reduce 中，每個 Reduce 做部分聚合操作，并輸出結果，這樣處理的結果是相同的 Group By Key 有可能被分發到不同的 Reduce 中，從而達到負載均衡的目的；第二個 MR Job 再根據預處理的數據結果按照 Group By Key 分布到 Reduce 中（這個過程可以保證相同的 Group By Key 被分布到同一個 Reduce 中），最后完成最終的聚合操作。
合并小文件
?文件數目過多，會給 HDFS 帶來壓力，并且會影響處理效率，可以通過合并 Map 和 Reduce 的結果文件來消除這樣的影響：
?hive.merge.mapfiles = true 是否和并 Map 輸出文件，默認為 True
?hive.merge.mapredfiles = false 是否合并 Reduce 輸出文件，默認為 False
?hive.merge.size.per.task = 256*1000*1000 合并文件的大小
轉載請注明出處【?http://sishuok.com/forum/blogPost/list/0/6229.html】
總結
以上是生活随笔為你收集整理的深入浅出学Hive：Hive优化的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 深入浅出学Hive：Hive内建操作符与
- 下一篇： 深入浅出学Hive：Hive高级编程