Hive HQL优化

• Hive优化目标
  • 在有限的资源下，执行效率更高
• 常见问题
  • 数据倾斜
  • map数设置
  • reduce数设置
  • 其他
• Hive执行
  • HQL --> Job --> Map/Reduce
  • 执行计划
    • explain [extended] hql
    • 样例
    • select col,count(1) from test2 group by col;
    • explain select col,count(1) from test2 group by col;
• Hive表优化
  • 分区
    • 静态分区
    • 动态分区
      • set hive.exec.dynamic.partition=true;
      • set hive.exec.dynamic.partition.mode=nonstrict;
  • 分桶
    • set hive.enforce.bucketing=true;
    • set hive.enforce.sorting=true;
  • 数据
    • 相同数据尽量聚集在一起
• hive job优化
  • 并行化执行
    • 每个查询被hive转化成多个阶段，有些阶段关联性不大，则可以并行化执行，减少执行时间
    • set hive.exec.parallel= true;
    • set hive.exec.parallel.thread.numbe=8;
  • 本地化执行
    • set hive.exec.mode.local.auto=true;
    • 当一个job满足如下条件才能真正使用本地模式:
      • job的输入数据大小必须小于参数:hive.exec.mode.local.auto.inputbytes.max(默认128MB)
      • job的map数必须小于参数:hive.exec.mode.local.auto.tasks.max(默认4)
      • job的reduce数必须为0或者1
  • job合并输入小文件
    • set hive.input.format = org.apache.hadoop.hive.ql.io.CombineHiveInputFormat
    • 合并文件数由mapred.max.split.size限制的大小决定
  • job合并输出小文件
    • set hive.merge.smallfiles.avgsize=256000000;当输出文件平均小于该值，启动新job合并文件
    • set hive.merge.size.per.task=64000000;合并之后的文件大小
  • JVM重利用
    • set mapred.job.reuse.jvm.num.tasks=20;
    • JVM重利用可以使得JOB长时间保留slot,直到作业结束，这在对于有较多任务和较多小文件的任务是非常有意义的，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，其他的作业可能就需要等待。
  • 压缩数据
    • 中间压缩就是处理hive查询的多个job之间的数据，对于中间压缩，最好选择一个节省cpu耗时的压缩方式
      • set hive.exec.compress.intermediate=true;
      • set hive.intermediate.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;
      • set hive.intermediate.compression.type=BLOCK;
    • hive查询最终的输出也可以压缩
      • set hive.exec.compress.output=true;
      • set mapred.output.compreession.codec=org.apache.hadoop.io.compress.GzipCodec;
      • set mapred.output.compression.type=BLOCK;
• Hive Map优化
  • set mapred.map.tasks =10; 无效
  • (1)默认map个数
    • default_num=total_size/block_size;
  • (2)期望大小
    • goal_num=mapred.map.tasks;
  • (3)设置处理的文件大小
    • split_size=max(mapred.min.split.size,block_size);
    • split_num=total_size/split_size;
  • (4)计算的map个数
    • compute_map_num=min(split_num,max(default_num,goal_num))
  • 经过以上的分析，在设置map个数的时候，可以简答的总结为以下几点：
    • 如果想增加map个数，则设置mapred.map.tasks为一个较大的值
    • 如果想减小map个数，则设置mapred.min.split.size为一个较大的值
    • 情况1：输入文件size巨大，但不是小文件
      • 增大mapred.min.split.size的值
    • 情况2：输入文件数量巨大，且都是小文件，就是单个文件的size小于blockSize。这种情况通过增大mapred.min.split.size不可行，需要使用combineFileInputFormat将多个input path合并成一个InputSplit送给mapper处理，从而减少mapper的数量。
  • map端聚合
    • set hive.map.aggr=true;
  • 推测执行
    • mapred.map.tasks.apeculative.execution
• Hive Shuffle优化
  • Map端
    • io.sort.mb
    • io.sort.spill.percent
    • min.num.spill.for.combine
    • io.sort.factor
    • io.sort.record.percent
  • Reduce端
    • mapred.reduce.parallel.copies
    • mapred.reduce.copy.backoff
    • io.sort.factor
    • mapred.job.shuffle.input.buffer.percent
    • mapred.job.shuffle.input.buffer.percent
    • mapred.job.shuffle.input.buffer.percent
• Hive Reduce优化
  • 需要reduce操作的查询
    • 聚合函数
      • sum,count,distinct...
    • 高级查询
      • group by,join,distribute by,cluster by...
      • order by比较特殊,只需要一个reduce
  • 推测执行
    • mapred.reduce.tasks.speculative.execution
    • hive.mapred.reduce.tasks.speculative.execution
  • Reduce优化
    • set mapred.reduce.tasks=10;直接设置
      • hive.exec.reducers.max 默认 ：999
      • hive.exec.reducers.bytes.per.reducer 默认:1G
    • 计算公式
      • numRTasks = min[maxReducers,input.size/perReducer]
      • maxReducers=hive.exec.reducers.max
      • perReducer = hive.exec.reducers.bytes.per.reducer
• hive查询操作优化
  • join优化
    • hive.optimize.skewjoin=true;如果是Join过程出现倾斜，应该设置为true
    • set hive.skewjoin.key=100000; 这个是join的键对应的记录条数超过这个值则会进行优化
    • mapjoin
      • set hive.auto.current.join=true;
      • hive.mapjoin.smalltable.filesize默认值是25mb
      • select /*+mapjoin(A)*/ f.a,f.b from A t join B f on (f.a=t.a)
    • 简单总结下,mapjoin的使用场景:
      • 关联操作中有一张表非常小
      • 不等值的链接操作
  • Bucket join
    • 两个表以相同方式划分桶
    • 两个表的桶个数是倍数关系
    • crete table order(cid int,price float) clustered by(cid) into 32 buckets;
    • crete table customer(id int,first string) clustered by(id) into 32 buckets;
    • select price from order t join customer s on t.cid=s.id
  • join 优化前
    • select m.cid,u.id from order m join customer u on m.cid=u.id where m.dt='2013-12-12';
  • join优化后
    • select m.cid,u.id from (select cid from order where dt='2013-12-12')m join customer u on m.cid=u.id;
  • group by 优化
    • hive.groupby.skewindata=true;如果是group by 过程出现倾斜 应该设置为true
    • set hive.groupby.mapaggr.checkinterval=100000;--这个是group的键对应的记录条数超过这个值则会进行优化
  • count distinct 优化
    • 优化前
      • select count(distinct id) from tablename
    • 优化后
      • select count(1) from (select distinct id from tablename) tmp;
      • select count(1) from (select id from tablename group by id) tmp;
    • 优化前
      • select a,sum(b),count(distinct c),count(distinct d) from test group by a
    • 优化后
      • select a,sum(b) as b,count(c) as c,count(d) as d from(select a,0 as b,c,null as d from test group by a,c union all select a,0 as b,null as c,d from test group by a,d union all select a,b,null as c,null as d from test)tmp1 group by a;