Hive 优化总结

置顶大数据/ Hive 大数据 Hive

创建时间:2018-06-30 18:19

字数:3.8k

Hive 实际上是运行在 yarn 上的 mapreduce 任务，所以性能调优对 hql 处理数据的速度有很大的影响。

Fetch 抓取选项

Fetch 抓取是指 Hive 中某些查询可以不使用 MapReduce 计算。
例如: SELECT * FROM team; 可以简单地读取 team 对应的文件并返回结果。

配置项 hive.fetch.task.conversion 指定了哪些操作不启动 mapreduce。

<property>
    <name>hive.fetch.task.conversion</name>
    <value>more</value>
    <description>
      Expects one of [none, minimal, more].
      Some select queries can be converted to single FETCH task minimizing latency.
      Currently the query should be single sourced not having any subquery and should not have
      any aggregations or distincts (which incurs RS), lateral views and joins.
      0. none : disable hive.fetch.task.conversion
      1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only
      2. more    : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)
    </description>
  </property>

本地模式

因为 Hive 背后是 Hadoop 集群，所以更适合处理大数据，但有时 Hive 中的数据比较小。这种情况下在集群中查询所消耗的时间可能会比本地处理还要长。

对于小数据集，Hive 可以使用本地模式在单台机器上处理任务，这样执行的时间可以明显被缩短。

配置项 hive.exec.mode.local.auto 的值设置为 true，Hive 会在适当的时候自动启动这个优化。

# 开启自动本地模式优化
set hive.exec.mode.local.auto=true;
# 设置本地模式的最大输入数据量，当小于这个设置的时候才使用本地模式, 默认为 134217728， 即 128M
set hive.exec.mode.local.auto.inputbytes.max
# 设置本地模式的最大输入文件个数，当输入文件个数小于这个设置的时候才使用本地模式。默认为 4
set hive.exec.mode.local.auto.input.files.max

查询的优化

大表，小表 join

建议将 key 相对分散且数据量小的小表放在 join 的左边，这样可以有效减少内存溢出错误发生的几率。
新版的 hive 已经对大小表之间的 join 操作做了优化。

大表 join 大表

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。例如 key 对应的字段为空:

1	select p.* from (select * from player where id is not null ) p left join team on p.team_id = team.id;

空 key 转换

有时虽然某个 key 为空对应的数据很多，但相应的数据不是异常数据，必须要包含在join的结果中，此时可以为表 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。

1 2	select p.* from player p full join team on case when p.id is null then concat('hive', rand()) else p.team_id end = team.id;

MapJoin

MapJoin 说明

如果不指定 MapJoin 或者不符合 MapJoin 的条件，那么 Hive 解析器会将 Join 操作转换成 Common Join，即：
在 Reduce 阶段完成join。这样容易发生数据倾斜，可以用 MapJoin 把小表全部加载到内存先在map端进行join，避免reducer处理。

开启 MapJoin 参数设置:

# 开启自动选择 MapJoin, 默认为 true
set hive.auto.convert.join = true;

# 大小表的阈值设置, 默认 25M 以下是小表

Group By

说明

默认情况下，Map阶段同一Key数据分发给一个reduce，当一个key数据过大时就倾斜了。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端进行部分聚合，最后在Reduce端得出最终结果。

开启 Map 端聚合参数设置

# 开启在 map 端进行聚合，默认为 true
hive.map.aggr=true

# 在 map 端进行聚合操作的条目数目
hive.groupby.mapaggr.checkinterval = 100000

# 有数据倾斜的时候进行负载均衡（默认是false）
hive.groupby.skewindata=true
# 当 hive.groupby.skewindata=true，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。

Count(Distinct) 去重统计

数据量大的情况下，由于 COUNT DISTINCT 操作需要用一个Reduce Task来完成，这一个 Reduce 需要处理的数据量太大，就会导致整个Job很难完成，一般 COUNT DISTINCT 操作可以使用先 GROUP BY 再 COUNT 的方式替换：

select count(distinct team_id) from player;
# 等价于:
select count(team_id) from (select id from player group by team_id) p;
# 虽然会多用一个Job来完成，但在数据量大的情况下，这个绝对是值得的。

笛卡尔积

尽量避免笛卡尔积，Hive只能使用1个reducer来完成笛卡尔积

行列过滤

列处理: 在 SELECT 中只拿需要的列，如果有分区尽量使用分区过滤，少用不用SELECT *。
行处理: 在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在 Where 后面，那么就会先全表关联，之后再过滤。

1
2
3

# 先关联两张表，再用 where 条件过滤
select t.id from player p join team t on t.id = p.team_id where t.id <= 3;
# 先进行子查询，在关联表，这样更快一些

动态分区调整

动态分区(Dynamic Partition) 是指对分区表 Insert 数据时候，数据库自动会根据分区字段的值将数据插入到相应的分区中。

配置动态分区:

# 开启动态分区功能(默认true 开启)
hive.exec.dynamic.partition=true

# 设置为非严格模式(默认strict，表示必须指定至少一个分区为静态分区，nonstrict模式表示允许所有的分区字段都可以使用动态分区。）
hive.exec.dynamic.partition.mode=nonstrict

# 设置在所有执行 MR 的节点上，最大一共可以创建多少个动态分区
hive.exec.max.dynamic.partitions=1000

# 在每个执行MR的节点上，最大可以创建多少个动态分区
# 这个参数要根据实际情况设定，设定不好会报错
# 比如: 源数据中包含了一年的数据，即day字段有365个值，那么该参数就需要设置成大于365，如果使用默认值100，则会报错。
hive.exec.max.dynamic.partitions.pernode=100

# 整个MR Job中，最大可以创建多少个HDFS文件
hive.exec.max.created.files=100000

# 当有空分区生成时，是否抛出异常。一般不需要设置。
hive.error.on.empty.partition=false

动态分区表要使用 insert 从一个已存在的表的基础上建立

1 2	insert overwrite table log2 partition (day) select id, time, uid, keyword, url_rank, click_num, click_url, day from log1;

合理使用分桶、分区

数据倾斜优化

Map 数

通常情况下，作业会通过input的目录产生一个或者多个map任务。主要的决定因素有：input的文件总个数，input的文件大小，集群设置的文件块大小。
Map 数不是越多越好，如果一个任务有很多小文件（远远小于块大小128m），则每个小文件也会被当做一个块，用一个map任务来完成，而一个map任务启动和初始化的时间远远大于逻辑处理的时间，就会造成很大的资源浪费。而且，同时可执行的map数是受限的。这种情况要减少 map 数
对于接近 128M 的文件，正常会用一个 map 去完成，但如果这个文件只有一个或者两个小字段，却有几千万的记录，如果map处理的逻辑比较复杂，用一个map任务去做，肯定也比较耗时。这种情况，应该增加 map 数

小文件进行合并减少 map 数

在 map 执行前合并小文件，减少 map 数。
CombineHiveInputFormat具有对小文件进行合并的功能（系统默认的格式）。HiveInputFormat没有对小文件合并功能。

1	set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

复杂文件增加 map 数

当input的文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数，来使得每个map处理的数据量减少，从而提高任务的执行效率。

增加 map 的方法:

1 2	computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M # 调整 maxSize 最大值。让maxSize最大值低于blocksize就可以增加map的个数

案例:

# 普通查询
select count(*) from team;
# Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 

# 设置最大切片值为100
set mapreduce.input.fileinputformat.split.maxsize=100;

# 查询
hive (default)> select count(*) from team;
Hadoop job information for Stage-1: number of mappers: 6; number of reducers: 1

Reduce数

reduce个数并不是越多越好，过多的启动和初始化reduce也会消耗时间和资源。
另外，有多少个reduce，就会有多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题。
在设置reduce个数的时候也需要考虑这两个原则：处理大数据量利用合适的reduce数；使单个reduce任务处理数据量大小要合适；

计算的方式调增 reduce 数

# 每个 Reduce 处理的数据量默认是 256MB
hive.exec.reducers.bytes.per.reducer=256000000
# 每个任务最大的reduce数，默认为1009
hive.exec.reducers.max=1009
# 计算reducer数的公式
N=min(hive.exec.reducers.max，总输入数据量/hive.exec.reducers.bytes.per.reducer)

修改配置项调整 reduce 数

在 hadoop 的 mapred-default.xml 文件中修改，或在hive命令行中执行:

1	set mapreduce.job.reduces=15;

并行执行

Hive 会将一个查询转化成一个或者多个阶段。默认情况下，Hive 一次只会执行一个阶段。
不过,并非完全互相依赖的阶段是可以并行执行的，这样可能使得整个job的执行时间缩短。

# 开启并发执行
set hive.exec.parallel=true 
# 在共享集群中，需要注意如果job中并行阶段增多，那么集群利用率就会增加。

# 同一个sql允许最大并行度，默认为8。
set hive.exec.parallel.thread.number=16;

严格模式

Hive 提供了一个严格模式，可以防止用户执行那些可能有不好的影响的查询。

<property>
    <name>hive.mapred.mode</name>
    <value>strict</value>
    <description>
      The mode in which the Hive operations are being performed. 
      In strict mode, some risky queries are not allowed to run. They include:
        Cartesian Product.
        No partition being picked up for a query.
        Comparing bigints and strings.
        Comparing bigints and doubles.
        Orderby without limit.
    </description>
  </property>

开启严格模式后会禁止三种类型的查询:

对于分区表，如果 where 语句中没有分区字段过滤条件来限制范围，则不允许执行
这样是为了不让用户扫描所有分区，通常分区表都拥有非常大的数据集，而且数据增加迅速。没有进行分区限制的查询可能会消耗巨大资源。
对于使用了order by语句的查询，要求必须使用limit语句
order by为了执行排序过程会将所有的结果数据分发到同一个Reducer中进行处理，强制要求用户增加 LIMIT 语句可以防止 Reducer 额外执行很长一段时间。
限制笛卡尔积的查询
小弟出道多年，从未见过在数据库中做笛卡尔积

JVM 重用

JVM 重用对 Hive 的性能具有很大的影响，特别是对于小文件或 task 特别多的场景。
Hadoop 的默认配置通常是使用派生 JVM 来执行 map 和 Reduce 任务的。
这时 JVM 的启动过程可能会造成相当大的开销，尤其是执行的 job 包含有成百上千 task 任务的情况。
JVM重用可以使得 JVM 实例在同一个job中重新使用 N 次。
N 的值可以在Hadoop的mapred-site.xml文件中进行配置。通常在10-20之间，具体多少需要根据具体业务场景测试得出。

<property>
  <name>mapreduce.job.jvm.numtasks</name>
  <value>10</value>
  <description>How many tasks to run per jvm. If set to -1, there is
  no limit. 
  </description>
</property>

这个功能的缺点是，开启JVM重用将一直占用使用到的 task 插槽，以便进行重用，直到任务完成后才能释放。
如果某个“不平衡的”job中有某几个reduce task执行的时间要比其他Reduce task消耗的时间多的多的话，那么保留的插槽就会一直空闲着却无法被其他的job使用，直到所有的task都结束了才会释放。

推测执行

在分布式集群环境下，同一个作业的多个任务之间运行速度通常不一致，有些任务的运行速度可能明显慢于其他任务从而拖慢整体执行进度。
为了避免这种情况，Hadoop 采用了推测执行（Speculative Execution）机制，它根据一定的法则推测出“拖后腿”的任务，并为这样的任务启动一个备份任务，让该任务与原始任务同时处理同一份数据，并最终选用最先成功运行完成任务的计算结果作为最终结果。

在 Hadoop 的 mapred-site.xml 中开启推测执行:

<property>
  <name>mapreduce.map.speculative</name>
  <value>true</value>
  <description>If true, then multiple instances of some map tasks 
               may be executed in parallel.</description>
</property>

<property>
  <name>mapreduce.reduce.speculative</name>
  <value>true</value>
  <description>If true, then multiple instances of some reduce tasks 
               may be executed in parallel.</description>
</property>

hive 也提供了配置项来控制 reduce-side 的推测执行：

<property>
   <name>hive.mapred.reduce.tasks.speculative.execution</name>
   <value>true</value>
   <description>Whether speculative execution for reducers should be turned on. </description>
 </property>

如果用户对于运行时的偏差非常敏感的话，那么可以将这些功能关闭掉。
如果用户因为输入数据量很大而需要执行长时间的map或者Reduce task的话，那么启动推测执行造成的浪费是非常巨大大。

查看执行计划(EXPLAIN)

EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query;

explain select * from team;
explain extended select * from team;