MR程序 优化参数
1、客户端显示以及job任务名和优先级
##打印表头
set hive.cli.print.header=true;
set hive.cli.print.row.to.vertical=true;
set hive.cli.print.row.to.vertical.num=1;
##显示当前数据库
set hive.cli.print.current.db=true;
##job任务名
set mapreduce.job.name=p_${v_date};
##job优先级
set mapred.job.priority=HIGH;
##设置job的队列名
set mapreduce.job.queuename;
##需要使用hive的正则表达式，需要设置hive的参数
过滤调不需要的列名
set hive.support.quoted.identifiers=none;
SELECT `(id|100name)?+.+` from st;
2、map与reduce内存调整
#一个MapTask可使用的资源上限。内存溢出了，原因是数据量太大，导致在map的阶段内存不足
set mapreduce.map.memory.mb=9000;
set mapreduce.map.java.opts=-Xmx4096m -XX:+UseConcMarkSweepGC;
#可能出现在reduce的阶段，reduce设置的内存通常比map端设置的要大
set mapreduce.reduce.memory.mb=9000;
set mapreduce.reduce.java.opts=-Xmx8196m;
#环形缓冲区大小，一般为1/3、1/2的map的java堆栈内存,减小spill溢写次数
set mapreduce.task.io.sort.mb=512
#map阶段 减少合并meger次数 默认10，如果文件数很多，增大减少合并次数
set io.sort.factor
3、shuffle阶段copy map阶段输出文件的内存设置
### shuffle ###
参数: mapred.reduce.shuffle.input.buffer.percent（default 0.7）
说明: 用来缓存shuffle数据的reduce task heap百分比
这个参数其实是一个百分比，意思是说，shuffle在reduce内存中的数据最多使用内存量为：0.7 × maxHeap of reduce task。
缓存的数据量超过了这个值，便开始将缓存数据写入磁盘。
这个调小，是将reduce端用来做数据缓存的内存减少。防止下载一个过大的map输出直接撑爆内存，导致任务失败。
参数：mapred.job.shuffle.merge.percent（default 0.66）
说明:缓存的内存中多少百分比后开始做merge操作
假设mapred.job.shuffle.input.buffer.percent为0.7，reduce task的max heapsize为1G，那么用来做下载数据缓存的内存就为大概700MB左右，这700M的内存，也不是要等到全部写满才会往磁盘刷的，而是当这700M中被使用到了一定的限度
（通常是一个百分比），就会开始往磁盘刷。
假设mapred.job.shuffle.merge.percent（default 0.66）为0.66，那么当下载过来的map的输出在缓存中达到 0.7 maxHeap 0.66这个值，缓存的数据就开始往磁盘中写。
这个调小是在上一个的基础上，进一步提前了将缓存的数据写入磁盘的时间
参数：mapreduce.reduce.shuffle.memory.limit.percent
单个shuffle任务能使用的内存限额，默认是0.25，即为 Shuffle内存 * 0.25。
低于此值可以输出到内存，否则输出到磁盘。
#每个Reduce去Map中取数据的并行数。默认值是5
set mapreduce.reduce.shuffle.parallelcopies;
###shuffle ###
4、动态分区参数设置
#动态分区 非严格模式
set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;
set hive.exec.max.dynamic.partitions.pernode =1000;
#mr总共可创建的最大分区数：默认1000
set hive.exec.max.dynamic.partition.partitions
#当前节点可创建的最大分区数 默认100
set hive.exec.max.dynamic.partition.partitions.pernode
##是否开启自动分区。适用于动态分区数过多插入的优化，默认false,(动态分区列将进行全局排序)
set hive.optimize.sort.dynamic.partition=true
5、开启支持正则表达式
set hive.support.quoted.identifiers=none;
6、mapper输入文件合并的参数
每个Map最大输入大小
set mapred.max.split.size=256000000;
一个节点上split的至少的大小(这个值决定了多个DataNode上的文件是否需要合并)
set mapred.min.split.size.per.node=100000000;
一个交换机下split的至少的大小(这个值决定了该机架下的文件是否需要合并)
set mapred.min.split.size.per.rack=100000000;
执行Map前进行小文件合并
set hive.input.format=org.apache.Hadoop.hive.ql.io.CombineHiveInputFormat;
7、设置map输出和reduce输出进行合并的参数
设置 map输出和reduce输出进行合并的相关参数
hive.merge.mapfiles= true
设置reduce端输出进行合并，默认为false
hive.merge.mapredfiles= true
设置合并文件的大小，合并之后每个文件大小为256M
hive.merge.size.per.task= 256 *1000 * 1000
输出文件的平均大小小于该值时，启动一个独立的MapReduce任务进行文件merge
hive.merge.smallfiles.avgsize=16000000
8、map和reduce个数的参数设置
#强制设置reducer个数
set mapred.reduce.tasks
8.1设置reduce个数（一个reduce生成一个文件） 如果存在数据倾斜的情况，单纯修改reduce个数没有用
8.1.1、如果不指定reduce个数，hive会基于一下两个参数自动计算
（1）hive.exec.reducers.bytes.per.reducer
这是每个reduce处理的数据量，默认为1G=1000000000
（2）hive.exec.reducers.max(每个任务的最大reduce个数，默认1009)
reduce个数=min(参数2，map端输出数据总量/参数1)
8.1.2、设置每个reduce处理的数据量（例如1M）
参数：hive.exec.reducers.bytes.per.reducer=1000000；
reduce个数=map端输出数据总量/参数
8.1.3、直接设置reduce个数
set mapred.reduce.tasks=5;
8.1.4、在8.2,8.3中设置的参数在以下情况出现时会失效
（1）sql语句中没有group by的汇总
（2）使用了order by
（3）有笛卡尔积
（4）map端输出的数据量小于hive.exec.reducers.bytes.per.reducer参数值
8.2设置map个数
#强制设置map个数
set mapred.map.tasks
#这个两个参数联合起来用，主要是为了方便控制mapreduce的map数量。比如我设置为1073741824，就是为了让每个map处理1GB的文件。默认265M 一个块大小
set mapreduce.input.fileinputformat.split.maxsize
set mapreduce.input.fileinputformat.split.minsize
set mapreduce.input.fileinputformat.split.minsize.per.node=256000000;
set mapreduce.input.fileinputformat.split.minsize.per.rack=256000000;
map个数和来源表文件压缩格式有关，.gz格式的压缩文件无法切分，每个文件会生成一个map
只有这个参数打开，下面的3个参数才能生效
set hive.hadoop.supports.splittable.combineinputformat=true;
每个map负载
set mapred.max.split.size=16000000;
每个节点map的最小负载，这个值必须小于set mapred.max.split.size的值 (这个值决定了多个DataNode上的文件是否需要合并)
set mapred.min.split.size.per.node=100000000;
每个机架map的最小负载(这个值决定了该机架下的文件是否需要合并)
set mapred.min.split.size.per.rack=100000000;
9、join 统计聚合之类的sql，防止数据倾斜
set hive.optimize.skewjoin=true;
set hive.skewjoin.key=500000;
set hive.skewjoin.mapjoin.map.tasks=10000;
set hive.skewjoin.mapjoin.min.split=33554432;
map端聚合(Group By)
（1）是否在Map端进行聚合，默认为True
hive.map.aggr = true
（2）在Map端进行聚合操作的条目数目
hive.groupby.mapaggr.checkinterval = 100000
（3）有数据倾斜的时候进行负载均衡（默认是false）
hive.groupby.skewindata = true
当选项设定为 true，生成的查询计划会有两个MR Job。第一个MR Job中，Map的输出结果会随机分布到Reduce中，每个Reduce做部分聚合操作，并输出结果，这样处理的结果是相同的Group By Key有可能被分发到不同的Reduce中，从而达到负载均衡的目的；第二个MR Job再根据预处理的数据结果按照Group By Key分布到Reduce中（这个过程可以保证相同的Group By Key被分布到同一个Reduce中），最后完成最终的聚合操作
（4）hive.map.groupby.sorted=true 默认true
map端groupby 排序，不必要的可以关闭
10、采用压缩参数
# 10.1 开启map输出阶段压缩可以减少job中map和Reduce task间数据传输量。
set hive.exec.compress.intermediate=true;
set mapreduce.map.output.compress=true;
set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;
# 10.2 开启Reduce输出阶段压缩
set hive.exec.compress.output=true;
set mapreduce.output.fileoutputformat.compress=true;
set mapreduce.output.fileoutputformat.compress.codec =org.apache.hadoop.io.compress.SnappyCodec;
set mapreduce.output.fileoutputformat.compress.type=BLOCK;
11、并行执行
#开启任务并行执行 默认false
set hive.exec.parallel=true;
#同一个sql允许并行任务的最大线程数
set hive.exec.parallel.thread.number=16;
#JVM重利用
16、开启JVM重用
set mapreduce.job.jvm.numtasks=10;
或者
set mapred.job.reuse.jvm.num.tasks=15;
JVM重利用可以是Job长时间保留slot，直到作业结束，这对于有较多任务和较多小文件的任务是非常有意义的，因为减少了JVM的启动和初始化时间，从而减少执行时间。当然这个值不能设置过大，因为有些作业会有reduce任务，如果reduce任务没有完成，则map任务占用的slot不能释放，其他作业可能就需要等待。
12、创建最大文件数
#创建的最大文件数 默认100000
set hive.exec.max.created.files;
13、本地模式
# Hive可以通过本地模式在单台机器上处理所有的任务。
# 对于小数据集，执行时间可以明显被缩短。
set hive.exec.mode.local.auto=true;
set hive.exec.mode.local.auto.inputbytes.max=50000000;
set hive.exec.mode.local.auto.input.files.max=10;
14、
yarn.scheduler.minimum-allocation-mb 给应用程序Container分配的最小内存，默认值：1024
yarn.scheduler.maximum-allocation-mb 给应用程序Container分配的最大内存，默认值：8192
yarn.scheduler.minimum-allocation-vcores 每个Container申请的最小CPU核数，默认值：1
yarn.scheduler.maximum-allocation-vcores 每个Container申请的最大CPU核数，默认值：32
yarn.nodemanager.resource.memory-mb 给Containers分配的最大物理内存，默认值：8192
15、容错性优化
mapreduce.map.maxattempts 每个Map Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
mapreduce.reduce.maxattempts 每个Reduce Task最大重试次数，一旦重试参数超过该值，则认为Map Task运行失败，默认值：4。
mapreduce.task.timeout Task超时时间，经常需要设置的一个参数，该参数表达的意思为：如果一个Task在一定时间内没有任何进入，即不会读取新的数据，也没有输出数据，则认为该Task处于Block状态，可能是卡住了，也许永远会卡住，为了防止因为用户程序永远Block住不退出，则强制设置了一个该超时时间（单位毫秒），默认是600000。如果你的程序对每条输入数据的处理时间过长（比如会访问数据库，通过网络拉取数据等），建议将该参数调大，该参数过小常出现的错误提示是“AttemptID:attempt_14267829456721_123456_m_000224_0 Timed out after 300 secsContainer killed by the ApplicationMaster.”。
17、mapjoin
1）开启MapJoin参数设置：
（1）设置自动选择Mapjoin
set hive.auto.convert.join = true; 默认为true
（2）大表小表的阀值设置（默认25M一下认为是小表）注：高版本可能不起作用了：
set hive.mapjoin.smalltable.filesize=25000000;
（3）hive.auto.convert.join.noconditionaltask:默认值true，表示是否启用hive根据输入文件的大小，将普通的表连接转化为mapjoin。
（4）hive.auto.convert.join.noconditionaltask.size：默认值10000000(字节数)。如果输入文件的大小小于该参数设定的值，则将普通的表连接转化为Mapjoin。
博文hive调优：
ORC小文件合并：ORC官网参数：https://orc.apache.org/docs/hive-config.html
set hive.merge.mapredfiles=true;
set hive.merge.smallfiles.avgsize=1000000000;
set hive.merge.mapfiles=true;
set hive.merge.mapredfiles=true;
--在编写具有ORC文件格式的表时，启用hive.merge.mapfiles，hive.merge.mapredfiles或hive.merge.tezfiles时，启用此配置属性将对小型ORC文件执行条带级快速合并。请注意，启用此配置属性将不支持填充公差配置（hive.exec.orc.block.padding.tolerance）
set hive.merge.orcfile.stripe.level=true;
set hive.merge.size.per.task=256000000;
set hive.merge.smallfiles.avgsize=256000000;
set mapreduce.input.fileinputformat.split.maxsize=256000000;
set mapreduce.input.fileinputformat.split.minsize=256000000;
set mapreduce.input.fileinputformat.split.minsize.per.node=256000000;
set mapreduce.input.fileinputformat.split.minsize.per.rack=256000000;
-- orc切分策略
set hive.exec.orc.split.strategy=ETL
压缩格式 工具 算法 文件扩展名 是否可切分
DEFLATE 无 DEFLATE .deflate 否
Gzip gzip DEFLATE .gz 否
bzip2 bzip2 bzip2 .bz2 是
LZO lzop LZO .lzo 否
LZ4 无 LZ4 .lz4 否
Snappy 无 Snappy .snappy 否
