1.概述

　　繼續(xù)《hive性能優(yōu)化指南--初級篇》一文中的剩余部分，本篇博客贅述了在工作中總結(jié)Hive的常用優(yōu)化手段和在工作中使用Hive出現(xiàn)的問題。下面開始本篇文章的優(yōu)化介紹。

2.介紹

　　首先，我們來看看Hadoop的計算框架特性，在此特性下會衍生哪些問題？

• 數(shù)據(jù)量大不是問題，數(shù)據(jù)傾斜是個問題。
• jobs數(shù)比較多的作業(yè)運行效率相對比較低，比如即使有幾百行的表，如果多次關(guān)聯(lián)多次匯總，產(chǎn)生十幾個jobs，耗時很長。原因是map reduce作業(yè)初始化的時間是比較長的。
• sum,count,max,min等UDAF，不怕數(shù)據(jù)傾斜問題,hadoop在map端的匯總合并優(yōu)化，使數(shù)據(jù)傾斜不成問題。
• count(distinct ),在數(shù)據(jù)量大的情況下，效率較低，如果是多count(distinct )效率更低，因為count(distinct)是按group by 字段分組，按distinct字段排序，一般這種分布方式是很傾斜的。舉個例子：比如男uv,女uv，像淘寶一天30億的pv，如果按性別分組，分配2個 reduce,每個reduce處理15億數(shù)據(jù)。

　　面對這些問題，我們能有哪些有效的優(yōu)化手段呢？下面列出一些在工作有效可行的優(yōu)化手段：

• 好的模型設(shè)計事半功倍。
• 解決數(shù)據(jù)傾斜問題。
• 減少job數(shù)。
• 設(shè)置合理的map reduce的task數(shù)，能有效提升性能。(比如，10w+級別的計算，用160個reduce，那是相當(dāng)?shù)睦速M，1個足夠)。
• 了解數(shù)據(jù)分布，自己動手解決數(shù)據(jù)傾斜問題是個不錯的選擇。set hive.groupby.skewindata=true;這是通用的算法優(yōu)化，但算法優(yōu)化有時不能適應(yīng)特定業(yè)務(wù)背景，開發(fā)人員了解業(yè)務(wù)，了解數(shù)據(jù)，可以通過業(yè)務(wù)邏輯精確有效的解決數(shù)據(jù)傾斜問題。
• 數(shù)據(jù)量較大的情況下，慎用count(distinct)，count(distinct)容易產(chǎn)生傾斜問題。
• 對小文件進(jìn)行合并，是行至有效的提高調(diào)度效率的方法，假如所有的作業(yè)設(shè)置合理的文件數(shù)，對云梯的整體調(diào)度效率也會產(chǎn)生積極的正向影響。
• 優(yōu)化時把握整體，單個作業(yè)最優(yōu)不如整體最優(yōu)。

　　而接下來，我們心中應(yīng)該會有一些疑問，影響性能的根源是什么？

3.性能低下的根源

　　hive性能優(yōu)化時，把HiveQL當(dāng)做M/R程序來讀，即從M/R的運行角度來考慮優(yōu)化性能，從更底層思考如何優(yōu)化運算性能，而不僅僅局限于邏輯代碼的替換層面。

　　RAC（Real Application Cluster）真正應(yīng)用集群就像一輛機動靈活的小貨車，響應(yīng)快；Hadoop就像吞吐量巨大的輪船，啟動開銷大，如果每次只做小數(shù)量的輸入輸出，利用率 將會很低。所以用好Hadoop的首要任務(wù)是增大每次任務(wù)所搭載的數(shù)據(jù)量。

　　Hadoop的核心能力是parition和sort，因而這也是優(yōu)化的根本。

　　觀察Hadoop處理數(shù)據(jù)的過程，有幾個顯著的特征：

• 數(shù)據(jù)的大規(guī)模并不是負(fù)載重點，造成運行壓力過大是因為運行數(shù)據(jù)的傾斜。
• jobs數(shù)比較多的作業(yè)運行效率相對比較低，比如即使有幾百行的表，如果多次關(guān)聯(lián)對此匯總，產(chǎn)生幾十個jobs，將會需要30分鐘以上的時間且大部分時間被用于作業(yè)分配，初始化和數(shù)據(jù)輸出。M/R作業(yè)初始化的時間是比較耗時間資源的一個部分。
• 在使用SUM，COUNT，MAX，MIN等UDAF函數(shù)時，不怕數(shù)據(jù)傾斜問題，Hadoop在Map端的匯總合并優(yōu)化過，使數(shù)據(jù)傾斜不成問題。
• COUNT(DISTINCT)在數(shù)據(jù)量大的情況下，效率較低，如果多COUNT(DISTINCT)效率更低，因為 COUNT(DISTINCT)是按GROUP BY字段分組，按DISTINCT字段排序，一般這種分布式方式是很傾斜的；比如：男UV，女UV，淘寶一天30億的PV，如果按性別分組，分配2個 reduce,每個reduce處理15億數(shù)據(jù)。
• 數(shù)據(jù)傾斜是導(dǎo)致效率大幅降低的主要原因，可以采用多一次 Map/Reduce 的方法， 避免傾斜。

　　最后得出的結(jié)論是：避實就虛，用 job 數(shù)的增加，輸入量的增加，占用更多存儲空間，充分利用空閑 CPU 等各種方法，分解數(shù)據(jù)傾斜造成的負(fù)擔(dān)。

4.配置角度優(yōu)化

　　我們知道了性能低下的根源，同樣，我們也可以從Hive的配置解讀去優(yōu)化。Hive系統(tǒng)內(nèi)部已針對不同的查詢預(yù)設(shè)定了優(yōu)化方法，用戶可以通過調(diào)整配置進(jìn)行控制， 以下舉例介紹部分優(yōu)化的策略以及優(yōu)化控制選項。

4.1 列裁剪

　　Hive 在讀數(shù)據(jù)的時候，可以只讀取查詢中所需要用到的列，而忽略其它列。 例如，若有以下查詢：

?

SELECT a,b FROM q WHERE e<10;

?

　　在實施此項查詢中，Q 表有 5 列（a，b，c，d，e），Hive 只讀取查詢邏輯中真實需要 的 3 列 a、b、e，而忽略列 c，d；這樣做節(jié)省了讀取開銷，中間表存儲開銷和數(shù)據(jù)整合開銷。

　　裁剪所對應(yīng)的參數(shù)項為：hive.optimize.cp=true（默認(rèn)值為true）

4.2 分區(qū)裁剪

　　可以在查詢的過程中減少不必要的分區(qū)。 例如，若有以下查詢：

?

?

SELECT * FROM (SELECTT a1,COUNT(1) FROM T GROUP BY a1) subq WHERE subq.prtn=100; #（多余分區(qū)）

SELECT * FROM T1 JOIN (SELECT * FROM T2) subq ON (T1.a1=subq.a2) WHERE subq.prtn=100;

?

　　查詢語句若將“subq.prtn=100”條件放入子查詢中更為高效，可以減少讀入的分區(qū) 數(shù)目。 Hive 自動執(zhí)行這種裁剪優(yōu)化。

　　分區(qū)參數(shù)為：hive.optimize.pruner=true（默認(rèn)值為true）

4.3 JOIN操作

　　在使用寫有 Join 操作的查詢語句時有一條原則：應(yīng)該將條目少的表/子查詢放在 Join 操作符的左邊。原因是在 Join 操作的 Reduce 階段，位于 Join 操作符左邊的表的內(nèi)容會被加載進(jìn)內(nèi)存，載入條目較少的表可以有效減少 OOM（out of memory）即內(nèi)存溢出。所以對于同一個 key 來說，對應(yīng)的 value 值小的放前，大的放后，這便是“小表放前”原則。對于一條語句中有多個 Join 的情況，如果 Join 的條件相同，比如查詢：

?

?

INSERT OVERWRITE TABLE pv_users

SELECT pv.pageid, u.age FROM page_view p

JOIN user u ON (pv.userid = u.userid)

JOIN newuser x ON (u.userid = x.userid);

?

• 如果 Join 的 key 相同，不管有多少個表，都會則會合并為一個 Map-Reduce
• 一個 Map-Reduce 任務(wù)，而不是 ‘n’ 個
• 在做 OUTER JOIN 的時候也是一樣

　　如果 Join 的條件不相同，比如：?

?

?

INSERT OVERWRITE TABLE pv_users

SELECT pv.pageid, u.age FROM page_view p

JOIN user u ON (pv.userid = u.userid)

JOIN newuser x on (u.age = x.age);

?

　　Map-Reduce 的任務(wù)數(shù)目和 Join 操作的數(shù)目是對應(yīng)的，上述查詢和以下查詢是等價的：??

?

?

INSERT OVERWRITE TABLE tmptable

SELECT * FROM page_view p JOIN user u

ON (pv.userid = u.userid);

INSERT OVERWRITE TABLE pv_users

SELECT x.pageid, x.age FROM tmptable x

JOIN newuser y ON (x.age = y.age);

?

4.4 MAP JOIN操作

　　Join 操作在 Map 階段完成，不再需要Reduce，前提條件是需要的數(shù)據(jù)在 Map 的過程中可以訪問到。比如查詢：?

?

?

INSERT OVERWRITE TABLE pv_users

SELECT /*+ MAPJOIN(pv) */ pv.pageid, u.age

FROM page_view pv

JOIN user u ON (pv.userid = u.userid);

?

　　可以在 Map 階段完成 Join，如圖所示：?

　　相關(guān)的參數(shù)為：

• hive.join.emit.interval = 1000?
• hive.mapjoin.size.key = 10000
• hive.mapjoin.cache.numrows = 10000

4.5 GROUP BY操作

　　進(jìn)行GROUP BY操作時需要注意一下幾點：

• Map端部分聚合

　　事實上并不是所有的聚合操作都需要在reduce部分進(jìn)行，很多聚合操作都可以先在Map端進(jìn)行部分聚合，然后reduce端得出最終結(jié)果。

　　這里需要修改的參數(shù)為：

　　hive.map.aggr=true（用于設(shè)定是否在 map 端進(jìn)行聚合，默認(rèn)值為true） hive.groupby.mapaggr.checkinterval=100000（用于設(shè)定 map 端進(jìn)行聚合操作的條目數(shù)）

• 有數(shù)據(jù)傾斜時進(jìn)行負(fù)載均衡

　　此處需要設(shè)定 hive.groupby.skewindata，當(dāng)選項設(shè)定為 true 是，生成的查詢計劃有兩 個 MapReduce 任務(wù)。在第一個 MapReduce 中，map 的輸出結(jié)果集合會隨機分布到 reduce 中， 每個 reduce 做部分聚合操作，并輸出結(jié)果。這樣處理的結(jié)果是，相同的 Group By Key 有可 能分發(fā)到不同的 reduce 中，從而達(dá)到負(fù)載均衡的目的；第二個 MapReduce 任務(wù)再根據(jù)預(yù)處 理的數(shù)據(jù)結(jié)果按照 Group By Key 分布到 reduce 中（這個過程可以保證相同的 Group By Key 分布到同一個 reduce 中），最后完成最終的聚合操作。

4.6 合并小文件

　　我們知道文件數(shù)目小，容易在文件存儲端造成瓶頸，給 HDFS 帶來壓力，影響處理效率。對此，可以通過合并Map和Reduce的結(jié)果文件來消除這樣的影響。

　　用于設(shè)置合并屬性的參數(shù)有：

• 是否合并Map輸出文件：hive.merge.mapfiles=true（默認(rèn)值為true）
• 是否合并Reduce 端輸出文件：hive.merge.mapredfiles=false（默認(rèn)值為false）
• 合并文件的大小：hive.merge.size.per.task=256*1000*1000（默認(rèn)值為 256000000）

5.程序角度優(yōu)化

5.1 熟練使用SQL提高查詢

　　熟練地使用 SQL，能寫出高效率的查詢語句。

　　場景：有一張 user 表，為賣家每天收到表，user_id，ds（日期）為 key，屬性有主營類目，指標(biāo)有交易金額，交易筆數(shù)。每天要取前10天的總收入，總筆數(shù)，和最近一天的主營類目。

　　解決方法 1：常用方法

?

?

INSERT OVERWRITE TABLE t1

SELECT user_id,substr(MAX(CONCAT(ds,cat),9) AS main_cat) FROM users

WHERE ds=20120329 // 20120329 為日期列的值，實際代碼中可以用函數(shù)表示出當(dāng)天日期 GROUP BY user_id;

?

INSERT OVERWRITE TABLE t2

SELECT user_id,sum(qty) AS qty,SUM(amt) AS amt FROM users

WHERE ds BETWEEN 20120301 AND 20120329

GROUP BY user_id;

?

SELECT t1.user_id,t1.main_cat,t2.qty,t2.amt FROM t1

JOIN t2 ON t1.user_id=t2.user_id;

?

　　下面給出方法1的思路，實現(xiàn)步驟如下：

　　第一步：利用分析函數(shù)，取每個 user_id 最近一天的主營類目，存入臨時表 t1。

　　第二步：匯總 10 天的總交易金額，交易筆數(shù)，存入臨時表 t2。

　　第三步：關(guān)聯(lián) t1，t2，得到最終的結(jié)果。

　　解決方法 2：優(yōu)化方法

?

?

SELECT user_id,substr(MAX(CONCAT(ds,cat)),9) AS main_cat,SUM(qty),SUM(amt) FROM users

WHERE ds BETWEEN 20120301 AND 20120329

GROUP BY user_id;

?

　　在工作中我們總結(jié)出：方案 2 的開銷等于方案 1 的第二步的開銷，性能提升，由原有的 25 分鐘完成，縮短為 10 分鐘以內(nèi)完成。節(jié)省了兩個臨時表的讀寫是一個關(guān)鍵原因，這種方式也適用于 Oracle 中的數(shù)據(jù)查找工作。?

? ? ? SQL 具有普適性，很多 SQL 通用的優(yōu)化方案在 Hadoop 分布式計算方式中也可以達(dá)到效果。

5.2 無效ID在關(guān)聯(lián)時的數(shù)據(jù)傾斜問題

　　問題：日志中常會出現(xiàn)信息丟失，比如每日約為 20 億的全網(wǎng)日志，其中的 user_id 為主 鍵，在日志收集過程中會丟失，出現(xiàn)主鍵為 null 的情況，如果取其中的 user_id 和 bmw_users 關(guān)聯(lián)，就會碰到數(shù)據(jù)傾斜的問題。原因是 Hive 中，主鍵為 null 值的項會被當(dāng)做相同的 Key 而分配進(jìn)同一個計算 Map。

? ? ??? 解決方法 1：user_id 為空的不參與關(guān)聯(lián)，子查詢過濾 null

?

?

SELECT * FROM log a

JOIN bmw_users b ON a.user_id IS NOT NULL AND a.user_id=b.user_id

UNION All SELECT * FROM log a WHERE a.user_id IS NULL;

?

　　解決方法 2：user_id 為空的不參與關(guān)聯(lián)，函數(shù)過濾 null?

?

?

SELECT * FROM log a LEFT OUTER

JOIN bmw_users b ON

CASE WHEN a.user_id IS NULL THEN CONCAT(‘dp_hive’,RAND()) ELSE a.user_id END =b.user_id;

?

　　調(diào)優(yōu)結(jié)果：原先由于數(shù)據(jù)傾斜導(dǎo)致運行時長超過 1 小時，解決方法 1 運行每日平均時長 25 分鐘，解決方法 2 運行的每日平均時長在 20 分鐘左右。優(yōu)化效果很明顯。

　　我們在工作中總結(jié)出：解決方法2比解決方法1效果更好，不但I(xiàn)O少了，而且作業(yè)數(shù)也少了。解決方法1中l(wèi)og讀取兩次，job 數(shù)為2。解決方法2中 job 數(shù)是1。這個優(yōu)化適合無效 id（比如-99、 ‘’，null 等）產(chǎn)生的傾斜問題。把空值的 key 變成一個字符串加上隨機數(shù)，就能把傾斜的 數(shù)據(jù)分到不同的Reduce上，從而解決數(shù)據(jù)傾斜問題。因為空值不參與關(guān)聯(lián)，即使分到不同 的 Reduce 上，也不會影響最終的結(jié)果。附上 Hadoop 通用關(guān)聯(lián)的實現(xiàn)方法是：關(guān)聯(lián)通過二次排序?qū)崿F(xiàn)的，關(guān)聯(lián)的列為 partion key，關(guān)聯(lián)的列和表的 tag 組成排序的 group key，根據(jù) pariton key分配Reduce。同一Reduce內(nèi)根據(jù)group key排序。

5.3 不同數(shù)據(jù)類型關(guān)聯(lián)產(chǎn)生的傾斜問題

　　問題：不同數(shù)據(jù)類型 id 的關(guān)聯(lián)會產(chǎn)生數(shù)據(jù)傾斜問題。

　　一張表 s8 的日志，每個商品一條記錄，要和商品表關(guān)聯(lián)。但關(guān)聯(lián)卻碰到傾斜的問題。 s8 的日志中有 32 為字符串商品 id，也有數(shù)值商品 id，日志中類型是 string 的，但商品中的 數(shù)值 id 是 bigint 的。猜想問題的原因是把 s8 的商品 id 轉(zhuǎn)成數(shù)值 id 做 hash 來分配 Reduce， 所以字符串 id 的 s8 日志，都到一個 Reduce 上了，解決的方法驗證了這個猜測。

　　解決方法：把數(shù)據(jù)類型轉(zhuǎn)換成字符串類型

?

?

SELECT * FROM s8_log a LEFT OUTER

JOIN r_auction_auctions b ON a.auction_id=CASE(b.auction_id AS STRING);

?

　　調(diào)優(yōu)結(jié)果顯示：數(shù)據(jù)表處理由 1 小時 30 分鐘經(jīng)代碼調(diào)整后可以在 20 分鐘內(nèi)完成。

5.4 利用Hive對UNION ALL優(yōu)化的特性

　　多表 union all 會優(yōu)化成一個 job。

　　問題：比如推廣效果表要和商品表關(guān)聯(lián)，效果表中的 auction_id 列既有 32 為字符串商 品 id，也有數(shù)字 id，和商品表關(guān)聯(lián)得到商品的信息。

　　解決方法：Hive SQL 性能會比較好

?

?

SELECT * FROM effect a

JOIN

(SELECT auction_id AS auction_id FROM auctions

UNION All

SELECT auction_string_id AS auction_id FROM auctions) b

ON a.auction_id=b.auction_id;

?

　　比分別過濾數(shù)字 id，字符串 id 然后分別和商品表關(guān)聯(lián)性能要好。

　　這樣寫的好處：1 個 MapReduce 作業(yè)，商品表只讀一次，推廣效果表只讀取一次。把 這個 SQL 換成 Map/Reduce 代碼的話，Map 的時候，把 a 表的記錄打上標(biāo)簽 a，商品表記錄 每讀取一條，打上標(biāo)簽 b，變成兩個<key,value>對，<(b,數(shù)字 id),value>，<(b,字符串 id),value>。

　　所以商品表的 HDFS 讀取只會是一次。

5.5 解決Hive對UNION ALL優(yōu)化的短板

　　Hive 對 union all 的優(yōu)化的特性：對 union all 優(yōu)化只局限于非嵌套查詢。

• 消滅子查詢內(nèi)的 group by

? ????? 示例 1：子查詢內(nèi)有 group by?

?

?

SELECT * FROM

(SELECT * FROM t1 GROUP BY c1,c2,c3 UNION ALL SELECT * FROM t2 GROUP BY c1,c2,c3)t3

GROUP BY c1,c2,c3;

?

　　從業(yè)務(wù)邏輯上說，子查詢內(nèi)的 GROUP BY 怎么都看顯得多余（功能上的多余，除非有 COUNT(DISTINCT)），如果不是因為 Hive Bug 或者性能上的考量（曾經(jīng)出現(xiàn)如果不執(zhí)行子查詢 GROUP BY，數(shù)據(jù)得不到正確的結(jié)果的 Hive Bug）。所以這個 Hive 按經(jīng)驗轉(zhuǎn)換成如下所示：

?

SELECT * FROM (SELECT * FROM t1 UNION ALL SELECT * FROM t2)t3 GROUP BY c1,c2,c3;

?

　　調(diào)優(yōu)結(jié)果：經(jīng)過測試，并未出現(xiàn) union all 的 Hive Bug，數(shù)據(jù)是一致的。MapReduce 的 作業(yè)數(shù)由 3 減少到 1。?

? ? t1 相當(dāng)于一個目錄，t2 相當(dāng)于一個目錄，對 Map/Reduce 程序來說，t1，t2 可以作為 Map/Reduce 作業(yè)的 mutli inputs。這可以通過一個 Map/Reduce 來解決這個問題。Hadoop 的 計算框架，不怕數(shù)據(jù)多，就怕作業(yè)數(shù)多。

　　但如果換成是其他計算平臺如 Oracle，那就不一定了，因為把大的輸入拆成兩個輸入， 分別排序匯總后 merge（假如兩個子排序是并行的話），是有可能性能更優(yōu)的（比如希爾排 序比冒泡排序的性能更優(yōu)）。

• 消滅子查詢內(nèi)的 COUNT(DISTINCT)，MAX，MIN。

?

?

SELECT * FROM

(SELECT * FROM t1

UNION ALL SELECT c1,c2,c3 COUNT(DISTINCT c4) FROM t2 GROUP BY c1,c2,c3) t3

GROUP BY c1,c2,c3;

?

　　由于子查詢里頭有 COUNT(DISTINCT)操作，直接去 GROUP BY 將達(dá)不到業(yè)務(wù)目標(biāo)。這時采用 臨時表消滅 COUNT(DISTINCT)作業(yè)不但能解決傾斜問題，還能有效減少 jobs。

?

?

INSERT t4 SELECT c1,c2,c3,c4 FROM t2 GROUP BY c1,c2,c3;

SELECT c1,c2,c3,SUM(income),SUM(uv) FROM

(SELECT c1,c2,c3,income,0 AS uv FROM t1

UNION ALL

SELECT c1,c2,c3,0 AS income,1 AS uv FROM t2) t3

GROUP BY c1,c2,c3;

?

　　job 數(shù)是 2，減少一半，而且兩次 Map/Reduce 比 COUNT(DISTINCT)效率更高。

? ? 調(diào)優(yōu)結(jié)果：千萬級別的類目表，member 表，與 10 億級得商品表關(guān)聯(lián)。原先 1963s 的任務(wù)經(jīng)過調(diào)整，1152s 即完成。

• 消滅子查詢內(nèi)的 JOIN

?

?

SELECT * FROM

(SELECT * FROM t1 UNION ALL SELECT * FROM t4 UNION ALL SELECT * FROM t2 JOIN t3 ON t2.id=t3.id) x

GROUP BY c1,c2;

?

　　上面代碼運行會有 5 個 jobs。加入先 JOIN 生存臨時表的話 t5，然后 UNION ALL，會變成 2 個 jobs。

?

?

INSERT OVERWRITE TABLE t5

SELECT * FROM t2 JOIN t3 ON t2.id=t3.id;

SELECT * FROM (t1 UNION ALL t4 UNION ALL t5);

?

　　調(diào)優(yōu)結(jié)果顯示：針對千萬級別的廣告位表，由原先 5 個 Job 共 15 分鐘，分解為 2 個 job 一個 8-10 分鐘，一個3分鐘。

5.6 GROUP BY替代COUNT(DISTINCT)達(dá)到優(yōu)化效果　

? ? ? ? 計算 uv 的時候，經(jīng)常會用到 COUNT(DISTINCT)，但在數(shù)據(jù)比較傾斜的時候 COUNT(DISTINCT)?會比較慢。這時可以嘗試用 GROUP BY 改寫代碼計算 uv。

• 原有代碼

?

INSERT OVERWRITE TABLE s_dw_tanx_adzone_uv PARTITION (ds=20120329)

SELECT 20120329 AS thedate,adzoneid,COUNT(DISTINCT acookie) AS uv FROM s_ods_log_tanx_pv t WHERE t.ds=20120329 GROUP BY adzoneid

　　關(guān)于COUNT(DISTINCT)的數(shù)據(jù)傾斜問題不能一概而論，要依情況而定，下面是我測試的一組數(shù)據(jù)：

　　測試數(shù)據(jù)：169857條

?

?

#統(tǒng)計每日IP

CREATE TABLE ip_2014_12_29 AS SELECT COUNT(DISTINCT ip) AS IP FROM logdfs WHERE logdate='2014_12_29';

耗時：24.805 seconds

#統(tǒng)計每日IP（改造）

CREATE TABLE ip_2014_12_29 AS SELECT COUNT(1) AS IP FROM (SELECT DISTINCT ip from logdfs WHERE logdate='2014_12_29') tmp;

耗時：46.833 seconds

?

　　測試結(jié)果表名：明顯改造后的語句比之前耗時，這是因為改造后的語句有2個SELECT，多了一個job，這樣在數(shù)據(jù)量小的時候，數(shù)據(jù)不會存在傾斜問題。

?

6.優(yōu)化總結(jié)

　　優(yōu)化時，把hive sql當(dāng)做mapreduce程序來讀，會有意想不到的驚喜。理解hadoop的核心能力，是hive優(yōu)化的根本。這是這一年來，項目組所有成員寶貴的經(jīng)驗總結(jié)。

• 長期觀察hadoop處理數(shù)據(jù)的過程，有幾個顯著的特征:

不怕數(shù)據(jù)多，就怕數(shù)據(jù)傾斜。

對jobs數(shù)比較多的作業(yè)運行效率相對比較低，比如即使有幾百行的表，如果多次關(guān)聯(lián)多次匯總，產(chǎn)生十幾個jobs，沒半小時是跑不完的。map reduce作業(yè)初始化的時間是比較長的。

對sum，count來說，不存在數(shù)據(jù)傾斜問題。

對count(distinct ),效率較低，數(shù)據(jù)量一多，準(zhǔn)出問題，如果是多count(distinct )效率更低。

• 優(yōu)化可以從幾個方面著手：

好的模型設(shè)計事半功倍。

解決數(shù)據(jù)傾斜問題。

減少job數(shù)。

設(shè)置合理的map reduce的task數(shù)，能有效提升性能。(比如，10w+級別的計算，用160個reduce，那是相當(dāng)?shù)睦速M，1個足夠)。

自己動手寫sql解決數(shù)據(jù)傾斜問題是個不錯的選擇。set hive.groupby.skewindata=true;這是通用的算法優(yōu)化，但算法優(yōu)化總是漠視業(yè)務(wù)，習(xí)慣性提供通用的解決方法。 Etl開發(fā)人員更了解業(yè)務(wù)，更了解數(shù)據(jù)，所以通過業(yè)務(wù)邏輯解決傾斜的方法往往更精確，更有效。

對count(distinct)采取漠視的方法，尤其數(shù)據(jù)大的時候很容易產(chǎn)生傾斜問題，不抱僥幸心理。自己動手，豐衣足食。

對小文件進(jìn)行合并，是行至有效的提高調(diào)度效率的方法，假如我們的作業(yè)設(shè)置合理的文件數(shù)，對云梯的整體調(diào)度效率也會產(chǎn)生積極的影響。

優(yōu)化時把握整體，單個作業(yè)最優(yōu)不如整體最優(yōu)。

7.優(yōu)化的常用手段

　　主要由三個屬性來決定：

• hive.exec.reducers.bytes.per.reducer ? ＃這個參數(shù)控制一個job會有多少個reducer來處理，依據(jù)的是輸入文件的總大小。默認(rèn)1GB。
• hive.exec.reducers.max ? ?＃這個參數(shù)控制最大的reducer的數(shù)量， 如果 input / bytes per reduce > max? 則會啟動這個參數(shù)所指定的reduce個數(shù)。? 這個并不會影響mapre.reduce.tasks參數(shù)的設(shè)置。默認(rèn)的max是999。
• mapred.reduce.tasks ＃這個參數(shù)如果指定了，hive就不會用它的estimation函數(shù)來自動計算reduce的個數(shù)，而是用這個參數(shù)來啟動reducer。默認(rèn)是-1。

? ? ? ?參數(shù)設(shè)置的影響

　　如果reduce太少：如果數(shù)據(jù)量很大，會導(dǎo)致這個reduce異常的慢，從而導(dǎo)致這個任務(wù)不能結(jié)束，也有可能會OOM 2、如果reduce太多：? 產(chǎn)生的小文件太多，合并起來代價太高，namenode的內(nèi)存占用也會增大。如果我們不指定mapred.reduce.tasks， hive會自動計算需要多少個reducer。

8.結(jié)束語

　　這篇博客就和大家分享到這里，后面再有好的優(yōu)化手段在和大家分享，感謝大家在百忙之中花時間來閱讀我這篇博客，如果在優(yōu)化的過程中有什么問題可以加群進(jìn)行討論或發(fā)送郵件給我，我會盡我所能為您解答，與君共勉！

原文鏈接：http://www.thebigdata.cn/QiTa/13858.html

總結(jié)

以上是生活随笔為你收集整理的hive性能优化指南的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。