Hive优化
Hive的存储层依托于HDFS,Hive的计算层依托于MapReduce,一般Hive的执行效率主要取决于SQL语句的执行效率,因此,Hive的优化的核心思想是MapReduce的优化。
1、查看Hive执行计划(小白慎用)
Hive的SQL语句在执行之前需要将SQL语句转换成MapReduce任务,因此需要了解具体的转换过程,可以在SQL语句中输入如下命令查看具体的执行计划。
--查看执行计划,添加extended关键字可以查看更加详细的执行计划
explain [extended] query
2、Hive的抓取策略
Hive的某些SQL语句需要转换成MapReduce的操作,某些SQL语句就不需要转换成MapReduce操作,但是同学们需要注意,理论上来说,所有的SQL语句都需要转换成MapReduce操作,只不过Hive在转换SQL语句的过程中会做部分优化,使某些简单的操作不再需要转换成MapReduce,例如:
(1)select 仅支持本表字段
(2)where仅对本表字段做条件过滤
--查看Hive的数据抓取策略
Set hive.fetch.task.conversion=none/more;
默认more
执行select * from tableA;---无MR
修改为none,select * from tableA;---有MR
3、Hive本地模式
类似于MapReduce的操作,Hive的运行也分为本地模式和集群模式,在开发阶段可以选择使用本地执行,提高SQL语句的执行效率,验证SQL语句是否正确。
--设置本地模式
set hive.exec.mode.local.auto=true;
select count(*) from psn;
查询表速度会很快
注意:要想使用Hive的本地模式,加载数据文件大小不能超过128M,如果超过128M,就算设置了本地模式,也会按照集群模式运行。
--设置读取数据量的大小限制
set hive.exec.mode.local.auto.inputbytes.max=128M
4、Hive并行模式
在SQL语句足够复杂的情况下,可能在一个SQL语句中包含多个子查询语句,且多个子查询语句之间没有任何依赖关系,此时,可以Hive运行的并行度
--设置Hive SQL的并行度
set hive.exec.parallel=true;
注意:Hive的并行度并不是无限增加的(因为占用资源),在一次SQL计算中,可以通过以下参数来设置并行的job的个数
--设置一次SQL计算允许并行执行的job个数的最大值,默认值为8
set hive.exec.parallel.thread.number
5、Hive严格模式
Hive中为了提高SQL语句的执行效率,可以设置严格模式,充分利用Hive的某些特点。
-- 设置Hive的严格模式
set hive.mapred.mode=strict;
set hive.exec.dynamic.partition.mode=nostrict;
注意:当设置严格模式之后,会有如下限制:
(1)对于分区表,必须添加where对于分区字段的条件过滤
(2)order by语句必须包含limit输出限制
(3)限制执行笛卡尔积的查询
注意
在hive的动态分区模式下,如果为严格模式,则必须需要一个分区列式静态分区
6、Hive排序
在编写SQL语句的过程中,很多情况下需要对数据进行排序操作,Hive中支持多种排序操作适合不同的应用场景。
1、Order By - 对于查询结果做全排序,只允许有一个reduce处理-----基本不用
(当数据量较大时,应慎用。严格模式下,必须结合limit来使用)
2、Sort By - 对于单个reduce的数据进行排序
3、Distribute By - 分区排序,经常和Sort By结合使用
4、Cluster By - 相当于 Sort By + Distribute By-----默认升序才它
(Cluster By不能通过asc、desc的方式指定排序规则;
可通过 distribute by column sort by column asc|desc 的方式)
7、Hive join
1、Hive 在多个表的join操作时尽可能多的使用相同的连接键,这样在转换MR任务时会转换成少的MR的任务。
2、手动Map join:在map端完成join操作
--SQL方式,在SQL语句中添加MapJoin标记(mapjoin hint)
--将小表放到内存中,省去shffle操作
SELECT /*+ MAPJOIN(smallTable) */ smallTable.key, bigTable.value
FROM smallTable JOIN bigTable ON smallTable.key = bigTable.key;
3、开启自动的Map Join
--通过修改以下配置启用自动的mapjoin:
set hive.auto.convert.join = true;
--(该参数为true时,Hive自动对左边的表统计量,如果是小表就加入内存,即对小表使用Map join,所以小表写在左边)
--相关配置参数:
hive.mapjoin.smalltable.filesize;
--(大表小表判断的阈值,如果表的大小小于该值则会被加载到内存中运行)
hive.ignore.mapjoin.hint;
--(默认值:true;是否忽略mapjoin hint 即mapjoin标记)
--例如:如果自动的Map join开启后(hive.auto.convert.join=true),依旧用了手动的Mapjoin hint进行标记怎么办?就看这个hive.ignore.mapjoin.hint的值,如果为true,则忽视hint标记,依据自动的配置来进行mapjoin的操作;如果为false,则依据手动设置的标记进行mapjoin
其中,hive.mapjoin.smalltable.filesize默认约为25M(比25M小点),因为要往内存中放,所以调整此参数不要太大
4、大表join大表(执行效率特别低)
(1)空key过滤:有时join超时是因为某些key对应的数据太多,而相同key对应的数据都会发送到相同的reducer上,从而导致内存不够。此时我们应该仔细分析这些异常的key,很多情况下,这些key对应的数据是异常数据,我们需要在SQL语句中进行过滤。
(2)空key转换:有时虽然某个key为空对应的数据很多,但是相应的数据不是异常数据,必须要包含在join的结果中,此时我们可以表a中key为空的字段赋一个随机的值,使得数据随机均匀地分不到不同的reducer上
8、Map-Side聚合
Hive的某些SQL操作可以实现map端的聚合,类似于MR的combine操作
但是,combine操作不一定必须,有可能执行完聚合后效果不高反而占用资源(combine也是一种reduce程序)
那么怎么设置才能合理的让Map-side的聚合发生呢?
--通过设置以下参数开启在Map端的聚合:
set hive.map.aggr=true;
--相关配置参数:
--map端group by执行聚合时处理的多少行数据(默认:100000)
hive.groupby.mapaggr.checkinterval:
--聚合后/基数10w=聚合比例
--进行聚合的最小比例(预先对100000条数据做聚合,若聚合之后的数据量/100000的值大于该配置0.5,则不会聚合)
hive.map.aggr.hash.min.reduction:
--map端聚合使用的内存的最大值
hive.map.aggr.hash.percentmemory:
--是否对GroupBy产生的数据倾斜做优化,默认为false
--此参数特别重要,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 的输出结果集合会随机分布到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 ByKey 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。
--注意:只能对单个字段聚合。控制生成两个MR Job,第一个MR Job Map的输出结果随机分配到reduce中减少某些key值条数过多某些key条数过小造成的数据倾斜问题。
--这个变量是用于控制负载均衡的。当数据出现倾斜时,如果该变量设置为true,那么Hive会自动进行负载均衡。在多个列上进行的去重操作与hive环境变量hive.groupby.skewindata存在关系。
--当hive.groupby.skewindata=true时,hive不支持多列上的去重操作,会报错
hive.groupby.skewindata
9、合并小文件
Hive在操作的时候,如果文件数目小,容易在文件存储端造成压力,给hdfs造成压力,影响效率
--设置合并属性
--是否合并map输出文件:
set hive.merge.mapfiles=true
--是否合并reduce输出文件:
set hive.merge.mapredfiles=true;
--合并文件的大小:
set hive.merge.size.per.task=256*1000*1000
10、去重统计
11、合理设置Map以及Reduce的数量
--Map数量相关的参数
--一个split的最大值,即每个map处理文件的最大值
set mapred.max.split.size
--一个节点上split的最小值
set mapred.min.split.size.per.node
--一个机架上split的最小值
set mapred.min.split.size.per.rack
--Reduce数量相关的参数
--强制指定reduce任务的数量
set mapred.reduce.tasks
--每个reduce任务处理的数据量
set hive.exec.reducers.bytes.per.reducer
--每个任务最大的reduce数
set hive.exec.reducers.max
12、JVM重用
JPS中的yarnchild进程是啥?提起这个,拓展下hadoop集群中主要的进程
hadoop集群中主要进程
master: NameNode, ResourceManager,
slaves: DataNode, NodeManager, RunJar, MRAppMaster,YarnChild
其中 RunJar, MRAppMaster,YarnChild与随着某个job的创建而创建,随着job的完成而终止。它们的作用分别是:
RunJar:完成job的初始化,包括获取jobID,将jar包上传至hdfs等。
MRAppMaster:每个job一个进程,主要跟踪job的运行情况,向RM申请资源等。
YarnChild:运行具体的map/reduce task。
job启动过程:
ResourceManage,NodeManager->RunJar->MRAppMaster->YarnChild
job退出过程:
YarnChild->MRAppMaster->RunJar
即所有的map/reduce均完成后,MRAppMaster才退出,最后RunJar退出,job完成
/*
适用场景:
1、小文件个数过多
2、task个数过多
缺点:
设置开启之后,task插槽会一直占用资源,不论是否有task运行,直到所有的task即整个job全部执行完成时,才会释放所有的task插槽资源!
*/
set mapred.job.reuse.jvm.num.tasks=n;--(n为task插槽个数)
--有点类似于数据库连接池的概念
--申请多了,放着不动,占着茅坑xxx
--申请的少了,再去拉取
所以yarn界面中的这两个参数在一直变化