作者博客公众号 dabaispace
欢迎关注微信公众号:
白程序员的自习室

Hive的企业级调优

hive的企业级调优

Fetch抓取

Fetch抓取是指,Hive中对某些情况的查询可以不必使用MapReduce计算。

select * from score;,在这种情况下,Hive可以简单地读取employee对应的存储目录下的文件,然后输出查询结果到控制台。

在hive-default.xml.template文件中 hive.fetch.task.conversion默认是more,老版本hive默认是minimal,该属性修改为more以后,在全局查找、字段查找、limit查找等都不走mapreduce。

把 hive.fetch.task.conversion设置成none,然后执行查询语句,都会执行mapreduce程序

1
2
3
4
set hive.fetch.task.conversion=none;
select * from score;
select s_id from score;
select s_id from score limit 3;

把hive.fetch.task.conversion设置成more,然后执行查询语句,如下查询方式都不会执行mapreduce程序。

1
2
3
4
set hive.fetch.task.conversion=more;
select * from score;
select s_id from score;
select s_id from score limit 3;

本地模式

在Hive客户端测试时,默认情况下是启用hadoop的job模式,把任务提交到集群中运行,这样会导致计算非常缓慢,Hive可以通过本地模式在单台机器上处理任务。对于小数据集,执行时间可以明显被缩短。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
--未开启开启本地模式,并执行查询语句
set hive.exec.mode.local.auto;
select * from score cluster by s_id;

--开启本地模式,并执行查询语句;默认false,开启本地mr
set hive.exec.mode.local.auto=true;

--设置local mr的最大输入数据量,当输入数据量小于这个值时采用local  mr的方式,
--默认为134217728,即128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;

--设置local mr的最大输入文件个数,当输入文件个数小于这个值时采用local mr的方式,
--默认为4
set hive.exec.mode.local.auto.input.files.max=5;

--执行查询的sql语句
select * from score cluster by s_id;

--关闭本地运行模式
set hive.exec.mode.local.auto=false;

表的优化

小表、大表 join

将key相对分散,并且数据量小的表放在join的左边,这样可以有效减少内存溢出错误发生的几率;再进一步,可以使用map join让小的维度表(1000条以下的记录条数)先进内存,在map端完成reduce;多个表关联时,最好分拆成小段,避免大sql(无法控制中间Job)。

实际测试发现:新版的hive已经对小表 join 大表和大表 join 小表进行了优化。小表放在左边和右边已经没有明显区别。

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。

1
2
3
4
5
6
7
8
9
10
## 测试环境准备
use myhive;
create table ori(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';

create table nullidtable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';

create table jointable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';

load data local inpath '/opt/module/hivedatas/hive_big_table/*' into table ori;
load data local inpath '/opt/module/hivedatas/hive_have_null_id/*' into table nullidtable;

过滤空key与不过滤空key的结果比较

1
2
3
4
5
6
7
8
9
10
11
不过滤:
INSERT OVERWRITE TABLE jointable
SELECT a.* FROM nullidtable a JOIN ori b ON a.id = b.id;
结果:
No rows affected (152.135 seconds)

过滤:
INSERT OVERWRITE TABLE jointable
SELECT a.* FROM (SELECT * FROM nullidtable WHERE id IS NOT NULL ) a JOIN ori b ON a.id = b.id;
结果:
No rows affected (141.585 seconds)

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l使得数据随机均匀地分不到不同的 reducer 上。

不随机分布:

1
2
3
4
5
6
7
8
9
-- 默认值256000000,即256m
set hive.exec.reducers.bytes.per.reducer=32123456;
set mapreduce.job.reduces=7;

INSERT OVERWRITE TABLE jointable
SELECT a.*
FROM nullidtable a
LEFT JOIN ori b ON CASE WHEN a.id IS NULL THEN 'hive' ELSE a.id END = b.id;
No rows affected (41.668 seconds)

这样的后果就是所有为null值的id全部都变成了相同的字符串,及其容易造成数据的倾斜(所有的key相同,相同key的数据会到同一个reduce当中去。

为了解决这种情况,我们可以通过hive的rand函数,随记的给每一个为空的id赋上一个随机值,这样就不会造成数据倾斜。

1
2
3
4
5
6
7
8
9
set hive.exec.reducers.bytes.per.reducer=32123456;
set mapreduce.job.reduces=7;

INSERT OVERWRITE TABLE jointable
SELECT a.*
FROM nullidtable a
LEFT JOIN ori b ON CASE WHEN a.id IS NULL THEN concat('hive', rand()) ELSE a.id END = b.id;

No rows affected (42.594 seconds)

map join

大表join小表与小表join大表时,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。容易发生数据倾斜。可以用 MapJoin 把小表全部加载到内存,在map端进行join,避免reducer处理。

1
2
3
4
set hive.auto.convert.join = true;

# 大表小表的阈值设置(默认25M一下认为是小表)
set hive.mapjoin.smalltable.filesize=26214400;

group By

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。

1
2
3
4
5
6
7
8
--是否在Map端进行聚合,默认为True
set hive.map.aggr = true;
--在Map端进行聚合操作的条目数目;默认100000
set hive.groupby.mapaggr.checkinterval = 100000;
--有数据倾斜的时候进行负载均衡(默认是false)
set 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。

count(distinct)

数据量小的时候无所谓,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使用先group by 再count的方式替换

1
2
3
4
5
select  count(distinct ip )  from log_text;

-- 转换成, 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。
set hive.exec.reducers.bytes.per.reducer=32123456;
select count(ip) from (select ip from log_text group by ip) t;

笛卡尔积

尽量避免笛卡尔积,即避免join的时候不加on条件,或者无效的on条件,Hive只能使用1个reducer来完成笛卡尔积。

使用分区剪裁、列剪裁

尽可能早地过滤掉尽可能多的数据量,避免大量数据流入外层SQL。

列剪裁

只获取需要的列的数据,减少数据输入,少用select *

分区裁剪

分区在hive实质上是目录,分区裁剪可以方便直接地过滤掉大部分数据,尽量使用分区过滤

1
2
3
4
SELECT a.id
FROM bigtable a
LEFT JOIN ori b ON a.id = b.id
WHERE b.id <= 10;

正确的写法是写在ON后面:先过滤再关联

1
2
3
SELECT a.id
FROM ori a
LEFT JOIN bigtable b ON (a.id <= 10 AND a.id = b.id);

或者直接写成子查询:

1
2
3
4
5
6
SELECT a.id
FROM bigtable a
RIGHT JOIN (SELECT id
FROM ori
WHERE id <= 10
) b ON a.id = b.id;

并行执行

把一个sql语句中没有相互依赖的阶段并行去运行,提高集群资源利用率

1
2
3
4
--开启并行执行;默认false
set hive.exec.parallel=true;
--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意想不到的不好的影响的查询。

1
2
3
4
5
--设置非严格模式(默认nonstrict)
set hive.mapred.mode=nonstrict;

--设置严格模式
set hive.mapred.mode=strict;

通过设置属性hive.mapred.mode值为默认是非严格模式nonstrict 。开启严格模式需要修改hive.mapred.mode值为stric,开启严格模式可以禁止3种类型的查询。

对于分区表,除非where语句中含有分区字段过滤条件来限制范围,否则不允许执行

1
2
3
4
--设置严格模式下 执行sql语句报错; 非严格模式下是可以的
select * from score; -- score是个分区表

异常信息:Error: Error while compiling statement: FAILED: SemanticException [Error 10041]: No partition predicate found for Alias "order_partition" Table "order_partition"

对于使用了order by语句的查询,要求必须使用limit语句

1
2
3
4
--设置严格模式下 执行sql语句报错; 非严格模式下是可以的
select * from score where month='201806' order by s_score;

异常信息:Error: Error while compiling statement: FAILED: SemanticException 1:61 In strict mode, if ORDER BY is specified, LIMIT must also be specified. Error encountered near token 'order_price'

限制笛卡尔积的查询,严格模式下,避免出现笛卡尔积的查询

JVM重用

JVM重用是Hadoop调优参数的内容,其对Hive的性能具有非常大的影响,特别是对于很难避免小文件的场景或task特别多的场景,这类场景大多数执行时间都很短。

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。

1
2
3
4
5
6
7
<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>
1
set mapred.job.reuse.jvm.num.tasks=10;

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。

压缩

Hive表中间数据压缩

1
2
3
4
# 设置为true为激活中间数据压缩功能,默认是false,没有开启
set hive.exec.compress.intermediate=true;
#设置中间数据的压缩算法
set mapred.map.output.compression.codec= org.apache.hadoop.io.compress.SnappyCodec;

使用EXPLAIN(执行计划)

1
explain select * from score where month='201806';

排序选择

cluster by:对同一字段分桶并排序,不能和 sort by 连用
distribute by + sort by:分桶,保证同一字段值只存在一个结果文件当中,结合 sort by 保证 每个 reduceTask 结果有序
sort by:单机排序,单个 reduce 结果有序
order by:全局排序,缺陷是只能使用一个 reduce

数据倾斜

合理设置Map数

  1. 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。
1
2
3
4
5
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。

举例:
a) 假设input目录下有1个文件a,大小为780M,那么hadoop会将该文件a分隔成7个块(6个128m的块和1个12m的块),从而产生7个map数。
b) 假设input目录下有3个文件a,b,c大小分别为10m,20m,150m,那么hadoop会分隔成4个块(10m,20m,128m,22m),从而产生4个map数。即,如果文件大于块大小(128m),那么会拆分,如果小于块大小,则把该文件当成一个块。
  1. 是不是map数越多越好?
1
答案是否定的。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。
  1. 是不是保证每个map处理接近128m的文件块,就高枕无忧了?
1
2
3
答案也是不一定。比如有一个127m的文件,正常会用一个map去完成,但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。

针对上面的问题2和3,我们需要采取两种方式来解决:即减少map数和增加map数;

小文件合并

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)

1
2
3
4
5

##每个 Map 最大分割大小
set mapred.max.split.size=112345600;
set mapred.min.split.size.per.node=112345600;
set mapred.min.split.size.per.rack=112345600;

这个参数表示执行前进行小文件合并,前面三个参数确定合并文件块的大小,大于文件块大小128m的,按照128m来分隔,小于128m,大于100m的,按照100m来分隔,把那些小于100m的(包括小文件和分隔大文件剩下的),进行合并。

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的方法为

根据 computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))公式
调整maxSize最大值,让maxSize最大值低于blocksize就可以增加map的个数。

1
2
3
4
5
6
7
mapreduce.input.fileinputformat.split.minsize=1 默认值为1

mapreduce.input.fileinputformat.split.maxsize=Long.MAXValue 默认值Long.MAXValue因此,默认情况下,切片大小=blocksize 

maxsize(切片最大值): 参数如果调到比blocksize小,则会让切片变小,而且就等于配置的这个参数的值。

minsize(切片最小值): 参数调的比blockSize大,则可以让切片变得比blocksize还大。

合理设置Reduce数

调整reduce个数方法一
1
2
3
4
5
6
7
8
每个Reduce处理的数据量默认是256MB
set hive.exec.reducers.bytes.per.reducer=256000000;

每个任务最大的reduce数,默认为1009
set hive.exec.reducers.max=1009;

计算reducer数的公式
N=min(参数2,总输入数据量/参数1)
调整reduce个数方法二
1
2
--设置每一个job中reduce个数
set mapreduce.job.reduces=3;
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;
  • 同时过多的reduce会生成很多个文件,也有可能出现小文件问题

评论