一個(gè)Hive查詢生成多個(gè)map reduce job，一個(gè)map reduce job又有map，reduce，spill，shuffle，sort等多個(gè)階段，所以針對(duì)hive查詢的優(yōu)化可以大致分為針對(duì)MR中單個(gè)步驟的優(yōu)化（其中又會(huì)有細(xì)分），針對(duì)MR全局的優(yōu)化，和針對(duì)整個(gè)查詢（多MR job）的優(yōu)化，下文會(huì)分別闡述。

在開(kāi)始之前，先把MR的流程圖帖出來(lái)（摘自Hadoop權(quán)威指南），方便后面對(duì)照。另外要說(shuō)明的是，這個(gè)優(yōu)化只是針對(duì)Hive 0.9版本，而不是后來(lái)Hortonwork發(fā)起Stinger項(xiàng)目之后的版本。相對(duì)應(yīng)的Hadoop版本是1.x而非2.x。

Map階段的優(yōu)化(map phase)

Map階段的優(yōu)化，主要是確定合適的map數(shù)。那么首先要了解map數(shù)的計(jì)算公式：

?

num_map_tasks = max[${mapred.min.split.size},

min(${dfs.block.size}, ${mapred.max.split.size})]

• mapred.min.split.size指的是數(shù)據(jù)的最小分割單元大小。
• mapred.max.split.size指的是數(shù)據(jù)的最大分割單元大小。
• dfs.block.size指的是HDFS設(shè)置的數(shù)據(jù)塊大小。

一般來(lái)說(shuō)dfs.block.size這個(gè)值是一個(gè)已經(jīng)指定好的值，而且這個(gè)參數(shù)hive是識(shí)別不到的：

?

hive> set dfs.block.size;

dfs.block.size is undefined

所以實(shí)際上只有mapred.min.split.size和mapred.max.split.size這兩個(gè)參數(shù)（本節(jié)內(nèi)容后面就以min和max指代這兩個(gè)參數(shù)）來(lái)決定map數(shù)量。在hive中min的默認(rèn)值是1B，max的默認(rèn)值是256MB：

?

hive> set mapred.min.split.size;

mapred.min.split.size=1

hive> set mapred.max.split.size;

mapred.max.split.size=256000000

所以如果不做修改的話，就是1個(gè)map task處理256MB數(shù)據(jù)，我們就以調(diào)整max為主。通過(guò)調(diào)整max可以起到調(diào)整map數(shù)的作用，減小max可以增加map數(shù)，增大max可以減少map數(shù)。需要提醒的是，直接調(diào)整mapred.map.tasks這個(gè)參數(shù)是沒(méi)有效果的。

調(diào)整大小的時(shí)機(jī)根據(jù)查詢的不同而不同，總的來(lái)講可以通過(guò)觀察map task的完成時(shí)間來(lái)確定是否需要增加map資源。如果map task的完成時(shí)間都是接近1分鐘，甚至幾分鐘了，那么往往增加map數(shù)量，使得每個(gè)map task處理的數(shù)據(jù)量減少，能夠讓map task更快完成；而如果map task的運(yùn)行時(shí)間已經(jīng)很少了，比如10-20秒，這個(gè)時(shí)候增加map不太可能讓map task更快完成，反而可能因?yàn)閙ap需要的初始化時(shí)間反而讓job總體速度變慢，這個(gè)時(shí)候反而需要考慮是否可以把map的數(shù)量減少，這樣可以節(jié)省更多資源給其他Job。

Reduce階段的優(yōu)化(reduce phase)

這里說(shuō)的reduce階段，是指前面流程圖中的reduce phase（實(shí)際的reduce計(jì)算）而非圖中整個(gè)reduce task。Reduce階段優(yōu)化的主要工作也是選擇合適的reduce task數(shù)量，跟上面的map優(yōu)化類(lèi)似。
與map優(yōu)化不同的是，reduce優(yōu)化時(shí)，可以直接設(shè)置mapred.reduce.tasks參數(shù)從而直接指定reduce的個(gè)數(shù)。當(dāng)然直接指定reduce個(gè)數(shù)雖然比較方便，但是不利于自動(dòng)擴(kuò)展。Reduce數(shù)的設(shè)置雖然相較map更靈活，但是也可以像map一樣設(shè)定一個(gè)自動(dòng)生成規(guī)則，這樣運(yùn)行定時(shí)job的時(shí)候就不用擔(dān)心原來(lái)設(shè)置的固定reduce數(shù)會(huì)由于數(shù)據(jù)量的變化而不合適。

Hive估算reduce數(shù)量的時(shí)候，使用的是下面的公式：

?

num_reduce_tasks = min[${hive.exec.reducers.max},

(${input.size} / ${ hive.exec.reducers.bytes.per.reducer})]

hive.exec.reducers.bytes.per.reducer默認(rèn)為1G，也就是每個(gè)reduce處理相當(dāng)于job輸入文件中1G大小的對(duì)應(yīng)數(shù)據(jù)量，而且reduce個(gè)數(shù)不能超過(guò)一個(gè)上限參數(shù)值，這個(gè)參數(shù)的默認(rèn)取值為999。所以我們也可以用調(diào)整這個(gè)公式的方式調(diào)整reduce數(shù)量，在靈活性和定制性上取得一個(gè)平衡。

設(shè)置reduce數(shù)同樣也是根據(jù)運(yùn)行時(shí)間作為參考調(diào)整，并且可以根據(jù)特定的業(yè)務(wù)需求、工作負(fù)載類(lèi)型總結(jié)出經(jīng)驗(yàn)，所以不再贅述。

Map與Reduce之間的優(yōu)化(spill, copy, sort phase)

map phase和reduce phase之間主要有3道工序。首先要把map輸出的結(jié)果進(jìn)行排序后做成中間文件，其次這個(gè)中間文件就能分發(fā)到各個(gè)reduce，最后reduce端在執(zhí)行reduce phase之前把收集到的排序子文件合并成一個(gè)排序文件。這個(gè)部分可以調(diào)的參數(shù)挺多，但是一般都是不要調(diào)整的，不必重點(diǎn)關(guān)注。

Spill 與 Sort

在spill階段，由于內(nèi)存不夠，數(shù)據(jù)可能沒(méi)辦法在內(nèi)存中一次性排序完成，那么就只能把局部排序的文件先保存到磁盤(pán)上，這個(gè)動(dòng)作叫spill，然后spill出來(lái)的多個(gè)文件可以在最后進(jìn)行merge。如果發(fā)生spill，可以通過(guò)設(shè)置io.sort.mb來(lái)增大mapper輸出buffer的大小，避免spill的發(fā)生。另外合并時(shí)可以通過(guò)設(shè)置io.sort.factor來(lái)使得一次性能夠合并更多的數(shù)據(jù)。調(diào)試參數(shù)的時(shí)候，一個(gè)要看spill的時(shí)間成本，一個(gè)要看merge的時(shí)間成本，還需要注意不要撐爆內(nèi)存（io.sort.mb是算在map的內(nèi)存里面的）。Reduce端的merge也是一樣可以用io.sort.factor。一般情況下這兩個(gè)參數(shù)很少需要調(diào)整，除非很明確知道這個(gè)地方是瓶頸。如果map端的輸出太大，考慮到map數(shù)不一定能很方便的調(diào)整，那么這個(gè)時(shí)候就要考慮調(diào)大io.sort.mb（不過(guò)即使調(diào)大也要注意不能超過(guò)jvm heap size）。map端的輸出很大，要么是每個(gè)map讀入了很大的文件（比如不能split的大gz壓縮文件），要么是計(jì)算邏輯導(dǎo)致輸出膨脹了很多倍，都是比較少見(jiàn)的情況。

Copy

copy階段是把文件從map端copy到reduce端。默認(rèn)情況下在5%的map完成的情況下reduce就開(kāi)始啟動(dòng)copy，這個(gè)有時(shí)候是很浪費(fèi)資源的，因?yàn)閞educe一旦啟動(dòng)就被占用，一直等到map全部完成，收集到所有數(shù)據(jù)才可以進(jìn)行后面的動(dòng)作，所以我們可以等比較多的map完成之后再啟動(dòng)reduce流程，這個(gè)比例可以通mapred.reduce.slowstart.completed.maps去調(diào)整，他的默認(rèn)值就是5%。如果覺(jué)得這么做會(huì)減慢reduce端copy的進(jìn)度，可以把copy過(guò)程的線程增大。tasktracker.http.threads可以決定作為server端的map用于提供數(shù)據(jù)傳輸服務(wù)的線程，mapred.reduce.parallel.copies可以決定作為client端的reduce同時(shí)從map端拉取數(shù)據(jù)的并行度（一次同時(shí)從多少個(gè)map拉數(shù)據(jù)），修改參數(shù)的時(shí)候這兩個(gè)注意協(xié)調(diào)一下，server端能處理client端的請(qǐng)求即可。

文件格式的優(yōu)化

文件格式方面有兩個(gè)問(wèn)題，一個(gè)是給輸入和輸出選擇合適的文件格式，另一個(gè)則是小文件問(wèn)題。小文件問(wèn)題在目前的hive環(huán)境下已經(jīng)得到了比較好的解決，hive的默認(rèn)配置中就可以在小文件輸入時(shí)自動(dòng)把多個(gè)文件合并給1個(gè)map處理，輸出時(shí)如果文件很小也會(huì)進(jìn)行一輪單獨(dú)的合并，所以這里就不專門(mén)討論了。相關(guān)的參數(shù)可以在這里找到。

關(guān)于文件格式，Hive0.9版本有3種，textfile，sequencefile和rcfile。總體上來(lái)說(shuō)，rcfile的壓縮比例和查詢時(shí)間稍好一點(diǎn)，所以推薦使用。

關(guān)于使用方法，可以在建表結(jié)構(gòu)時(shí)可以指定格式，然后指定壓縮插入：

?

create table rc_file_test( col int ) stored as rcfile;

set hive.exec.compress.output = true;

insert overwrite table rc_file_test

select * from source_table;

另外時(shí)也可以指定輸出格式，也可以通過(guò)hive.default.fileformat來(lái)設(shè)定輸出格式，適用于create table as select的情況：

?

set hive.default.fileformat = SequenceFile;

set hive.exec.compress.output = true;

/*對(duì)于sequencefile，有record和block兩種壓縮方式可選，block壓縮比更高*/

set mapred.output.compression.type = BLOCK;

create table seq_file_test

as select * from source_table;

上面的文件格式轉(zhuǎn)換，其實(shí)是由hive完成的（也就是插入動(dòng)作）。但是也可以由外部直接導(dǎo)入純文本（可以按照這里的做法預(yù)先壓縮），或者是由MapReduce Job生成的數(shù)據(jù)。

值得注意的是，hive讀取sequencefile的時(shí)候，是把key忽略的，也就是直接讀value并且按照指定分隔符分隔字段。但是如果hive的數(shù)據(jù)來(lái)源是從mr生成的，那么寫(xiě)sequencefile的時(shí)候，key和value都是有意義的，key不能被忽略，而是應(yīng)該當(dāng)成第一個(gè)字段。為了解決這種不匹配的情況，有兩種辦法。一種是要求凡是結(jié)果會(huì)給hive用的mr job輸出value的時(shí)候帶上key。但是這樣的話對(duì)于開(kāi)發(fā)是一個(gè)負(fù)擔(dān)，讀寫(xiě)數(shù)據(jù)的時(shí)候都要注意這個(gè)情況。所以更好的方法是第二種，也就是把這個(gè)源自于hive的問(wèn)題交給hive解決，寫(xiě)一個(gè)InputFormat包裝一下，把value輸出加上key即可。以下是核心代碼，修改了RecordReader的next方法：

?

//注意：這里為了簡(jiǎn)化，假定了key和value都是Text類(lèi)型，所以MR的輸出的k/v都要是Text類(lèi)型。

//這個(gè)簡(jiǎn)化還會(huì)造成數(shù)據(jù)為空時(shí)，出現(xiàn)org.apache.hadoop.io.BytesWritable cannot be cast to org.apache.hadoop.io.Text的錯(cuò)誤，因?yàn)槟J(rèn)hive的sequencefile的key是一個(gè)空的ByteWritable。

public synchronized boolean next(K key, V value) throws IOException

{

Text tKey = (Text) key;

Text tValue = (Text) value;

if (!super.next(innerKey, innerValue))

return false;

?

Text inner_key = (Text) innerKey; //在構(gòu)造函數(shù)中用createKey()生成

Text inner_value = (Text) innerValue; //在構(gòu)造函數(shù)中用createValue()生成

?

tKey.set(inner_key);

tValue.set(inner_key.toString() + '\t' + inner_value.toString()); // 分隔符注意自己定義

return true;

}

Job整體優(yōu)化

有一些問(wèn)題必須從job的整體角度去觀察。這里討論幾個(gè)問(wèn)題：Job執(zhí)行模式（本地執(zhí)行v.s.分布式執(zhí)行）、JVM重用、索引、Join算法、數(shù)據(jù)傾斜。

Job執(zhí)行模式

Hadoop的map reduce job可以有3種模式執(zhí)行，即本地模式，偽分布式，還有真正的分布式。本地模式和偽分布式都是在最初學(xué)習(xí)hadoop的時(shí)候往往被說(shuō)成是做單機(jī)開(kāi)發(fā)的時(shí)候用到。但是實(shí)際上對(duì)于處理數(shù)據(jù)量非常小的job，直接啟動(dòng)分布式j(luò)ob會(huì)消耗大量資源，而真正執(zhí)行計(jì)算的時(shí)間反而非常少。這個(gè)時(shí)候就應(yīng)該使用本地模式執(zhí)行mr job，這樣執(zhí)行的時(shí)候不會(huì)啟動(dòng)分布式j(luò)ob，執(zhí)行速度就會(huì)快很多。比如一般來(lái)說(shuō)啟動(dòng)分布式j(luò)ob，無(wú)論多小的數(shù)據(jù)量，執(zhí)行時(shí)間一般不會(huì)少于20s，而使用本地mr模式，10秒左右就能出結(jié)果。

設(shè)置執(zhí)行模式的主要參數(shù)有三個(gè)，一個(gè)是hive.exec.mode.local.auto，把他設(shè)為true就能夠自動(dòng)開(kāi)啟local mr模式。但是這還不足以啟動(dòng)local mr，輸入的文件數(shù)量和數(shù)據(jù)量大小必須要控制，這兩個(gè)參數(shù)分別為hive.exec.mode.local.auto.tasks.max和hive.exec.mode.local.auto.inputbytes.max，默認(rèn)值分別為4和128MB，即默認(rèn)情況下，map處理的文件數(shù)不超過(guò)4個(gè)并且總大小小于128MB就啟用local mr模式。

另外，如果是簡(jiǎn)單的select語(yǔ)句，比如select某個(gè)列取個(gè)10條數(shù)據(jù)看看sample，那么在hive0.10之后有專門(mén)的fetch task優(yōu)化，使用參數(shù)hive.fetch.task.conversion即可。

JVM重用

正常情況下，MapReduce啟動(dòng)的JVM在完成一個(gè)task之后就退出了，但是如果任務(wù)花費(fèi)時(shí)間很短，又要多次啟動(dòng)JVM的情況下（比如對(duì)很大數(shù)據(jù)量進(jìn)行計(jì)數(shù)操作），JVM的啟動(dòng)時(shí)間就會(huì)變成一個(gè)比較大的overhead。在這種情況下，可以使用jvm重用的參數(shù)：

set mapred.job.reuse.jvm.num.tasks = 5;

他的作用是讓一個(gè)jvm運(yùn)行多次任務(wù)之后再退出。這樣一來(lái)也能節(jié)約不少JVM啟動(dòng)時(shí)間。

索引

總體上來(lái)說(shuō)，hive的索引目前還是一個(gè)不太適合使用的東西，這里只是考慮到敘述完整性，對(duì)其進(jìn)行基本的介紹。

Hive中的索引架構(gòu)開(kāi)放了一個(gè)接口，允許你根據(jù)這個(gè)接口去實(shí)現(xiàn)自己的索引。目前hive自己有一個(gè)參考的索引實(shí)現(xiàn)（CompactIndex），后來(lái)在0.8版本中又加入位圖索引。這里就講講CompactIndex。

CompactIndex的實(shí)現(xiàn)原理類(lèi)似一個(gè)lookup table，而非傳統(tǒng)數(shù)據(jù)庫(kù)中的B樹(shù)。如果你對(duì)table A的col1做了索引，索引文件本身就是一個(gè)table，這個(gè)table會(huì)有3列，分別是col1的枚舉值，每個(gè)值對(duì)應(yīng)的數(shù)據(jù)文件位置，以及在這個(gè)文件位置中的偏移量。通過(guò)這種方式，可以減少你查詢的數(shù)據(jù)量（偏移量可以告訴你從哪個(gè)位置開(kāi)始找，自然只需要定位到相應(yīng)的block），起到減少資源消耗的作用。但是就其性能來(lái)說(shuō)，并沒(méi)有很大的改善，很可能還不如構(gòu)建索引需要花的時(shí)間。所以在集群資源充足的情況下，沒(méi)有太大必要考慮索引。

CompactIndex的還有一個(gè)缺點(diǎn)就是使用起來(lái)不友好，索引建完之后，使用之前還需要根據(jù)查詢條件做一個(gè)同樣剪裁才能使用，索引的內(nèi)部結(jié)構(gòu)完全暴露，而且還要花費(fèi)額外的時(shí)間。具體看看下面的使用方法就了解了：

?

/*在index_test_table表的id字段上創(chuàng)建索引*/

create index idx on table index_test_table(id)

as 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler' with deferred rebuild;

alter index idx on index_test_table rebuild;

?

/*索引的剪裁。找到上面建的索引表，根據(jù)你最終要用的查詢條件剪裁一下。*/

/*如果你想跟RDBMS一樣建完索引就用，那是不行的，會(huì)直接報(bào)錯(cuò)，這也是其麻煩的地方*/

create table my_index

as select _bucketname, `_offsets`

from default__index_test_table_idx__ where id = 10;

?

/*現(xiàn)在可以用索引了，注意最終查詢條件跟上面的剪裁條件一致*/

set hive.index.compact.file = /user/hive/warehouse/my_index;

set hive.input.format = org.apache.hadoop.hive.ql.index.compact.HiveCompactIndexInputFormat;

select count(*) from index_test_table where id = 10;

Join算法

處理分布式j(luò)oin，一般有兩種方法:

• replication join：把其中一個(gè)表復(fù)制到所有節(jié)點(diǎn)，這樣另一個(gè)表在每個(gè)節(jié)點(diǎn)上面的分片就可以跟這個(gè)完整的表join了；
• repartition join：把兩份數(shù)據(jù)按照join key進(jìn)行hash重分布，讓每個(gè)節(jié)點(diǎn)處理hash值相同的join key數(shù)據(jù)，也就是做局部的join。

這兩種方式在M/R Job中分別對(duì)應(yīng)了map side join和reduce side join。在一些MPP數(shù)據(jù)庫(kù)中，數(shù)據(jù)可以按照某列字段預(yù)先進(jìn)行hash分布，這樣在跟這個(gè)表以這個(gè)字段為join key進(jìn)行join的時(shí)候，該表肯定不需要做數(shù)據(jù)重分布了。這種功能是以HDFS作為底層文件系統(tǒng)的hive所沒(méi)有的，即使是hive中的bucket也只能到文件級(jí)別的hash，而非節(jié)點(diǎn)級(jí)別的hash。

在默認(rèn)情況下，hive的join策略是進(jìn)行reduce side join。當(dāng)兩個(gè)表中有一個(gè)是小表的時(shí)候，就可以考慮用map join了，因?yàn)樾”韽?fù)制的代價(jià)會(huì)好過(guò)大表shuffle的代價(jià)。使用map join的配置方法有兩種，一種直接在sql中寫(xiě)hint，語(yǔ)法是/*+MAPJOIN (tbl)*/，其中tbl就是你想要做replication的表。另一種方法是設(shè)置hive.auto.convert.join = true，這樣hive會(huì)自動(dòng)判斷當(dāng)前的join操作是否合適做map join，主要是找join的兩個(gè)表中有沒(méi)有小表。至于多大的表算小表，則是由hive.smalltable.filesize決定，默認(rèn)25MB。

但是有的時(shí)候，沒(méi)有一個(gè)表足夠小到能夠放進(jìn)內(nèi)存，但是還是想用map join怎么辦？這個(gè)時(shí)候就要用到bucket map join。其方法是兩個(gè)join表在join key上都做hash bucket，并且把你打算復(fù)制的那個(gè)（相對(duì)）小表的bucket數(shù)設(shè)置為大表的倍數(shù)。這樣數(shù)據(jù)就會(huì)按照join key做hash bucket。小表依然復(fù)制到所有節(jié)點(diǎn)，map join的時(shí)候，小表的每一組bucket加載成hashtable，與對(duì)應(yīng)的一個(gè)大表bucket做局部join，這樣每次只需要加載部分hashtable就可以了。
然后在兩個(gè)表的join key都具有唯一性的時(shí)候（也就是可做主鍵），還可以進(jìn)一步做sort merge bucket map join。做法還是兩邊要做hash bucket，而且每個(gè)bucket內(nèi)部要進(jìn)行排序。這樣一來(lái)當(dāng)兩邊bucket要做局部join的時(shí)候，只需要用類(lèi)似merge sort算法中的merge操作一樣把兩個(gè)bucket順序遍歷一遍即可完成，這樣甚至都不用把一個(gè)bucket完整的加載成hashtable，這對(duì)性能的提升會(huì)有很大幫助。
然后這里以一個(gè)完整的實(shí)驗(yàn)說(shuō)明這幾種join算法如何操作。
首先建表要帶上bucket：

?

create table map_join_test(id int)

clustered by (id) sorted by (id) into 32 buckets

stored as textfile;

然后插入我們準(zhǔn)備好的800萬(wàn)行數(shù)據(jù)，注意要強(qiáng)制劃分成bucket（也就是用reduce劃分hash值相同的數(shù)據(jù)到相同的文件）：

?

set hive.enforce.bucketing = true;

insert overwrite table map_join_test

select * from map_join_source_data;

這樣這個(gè)表就有了800萬(wàn)id值（且里面沒(méi)有重復(fù)值，所以可以做sort merge），占用80MB左右。
接下來(lái)我們就可以一一嘗試map join的算法了。首先是普通的map join：

?

select /*+mapjoin(a) */count(*)

from map_join_test a

join map_join_test b on a.id = b.id;

然后就會(huì)看到分發(fā)hash table的過(guò)程：

?

2013-08-31 09:08:43 Starting to launch local task to process map join; maximum memory = 1004929024

2013-08-31 09:08:45 Processing rows: 200000 Hashtable size: 199999 Memory usage: 38823016 rate: 0.039

2013-08-31 09:08:46 Processing rows: 300000 Hashtable size: 299999 Memory usage: 56166968 rate: 0.056

……

2013-08-31 09:12:39 Processing rows: 4900000 Hashtable size: 4899999 Memory usage: 896968104 rate: 0.893

2013-08-31 09:12:47 Processing rows: 5000000 Hashtable size: 4999999 Memory usage: 922733048 rate: 0.918

Execution failed with exit status: 2

Obtaining error information

?

Task failed!

Task ID:

Stage-4

?

不幸的是，居然內(nèi)存不夠了，直接做map join失敗了。但是80MB的大小為何用1G的heap size都放不下？觀察整個(gè)過(guò)程就會(huì)發(fā)現(xiàn)，平均一條記錄需要用到200字節(jié)的存儲(chǔ)空間，這個(gè)overhead太大了，對(duì)于map join的小表size一定要好好評(píng)估，如果有幾十萬(wàn)記錄數(shù)就要小心了。雖然不太清楚其中的構(gòu)造原理，但是在互聯(lián)網(wǎng)上也能找到其他的例證，比如這里和這里,平均一行500字節(jié)左右。這個(gè)明顯比一般的表一行占用的數(shù)據(jù)量要大。不過(guò)hive也在做這方面的改進(jìn)，爭(zhēng)取縮小hash table，比如HIVE-6430。

所以接下來(lái)我們就用bucket map join，之前分的bucket就派上用處了。只需要在上述sql的前面加上如下的設(shè)置：

set hive.optimize.bucketmapjoin = true;

然后還是會(huì)看到hash table分發(fā)：

?

2013-08-31 09:20:39 Starting to launch local task to process map join; maximum memory = 1004929024

2013-08-31 09:20:41 Processing rows: 200000 Hashtable size: 199999 Memory usage: 38844832 rate: 0.039

2013-08-31 09:20:42 Processing rows: 275567 Hashtable size: 275567 Memory usage: 51873632 rate: 0.052

2013-08-31 09:20:42 Dump the hashtable into file: file:/tmp/hadoop/hive_2013-08-31_21-20-37_444_1135806892100127714/-local-10003/HashTable-Stage-1/MapJoin-a-10-000000_0.hashtable

2013-08-31 09:20:46 Upload 1 File to: file:/tmp/hadoop/hive_2013-08-31_21-20-37_444_1135806892100127714/-local-10003/HashTable-Stage-1/MapJoin-a-10-000000_0.hashtable File size: 11022975

2013-08-31 09:20:47 Processing rows: 300000 Hashtable size: 24432 Memory usage: 8470976 rate: 0.008

2013-08-31 09:20:47 Processing rows: 400000 Hashtable size: 124432 Memory usage: 25368080 rate: 0.025

2013-08-31 09:20:48 Processing rows: 500000 Hashtable size: 224432 Memory usage: 42968080 rate: 0.043

2013-08-31 09:20:49 Processing rows: 551527 Hashtable size: 275960 Memory usage: 52022488 rate: 0.052

2013-08-31 09:20:49 Dump the hashtable into file: file:/tmp/hadoop/hive_2013-08-31_21-20-37_444_1135806892100127714/-local-10003/HashTable-Stage-1/MapJoin-a-10-000001_0.hashtable

……

這次就會(huì)看到每次構(gòu)建完一個(gè)hash table（也就是所對(duì)應(yīng)的對(duì)應(yīng)一個(gè)bucket），會(huì)把這個(gè)hash table寫(xiě)入文件，重新構(gòu)建新的hash table。這樣一來(lái)由于每個(gè)hash table的量比較小，也就不會(huì)有內(nèi)存不足的問(wèn)題，整個(gè)sql也能成功運(yùn)行。不過(guò)光光是這個(gè)復(fù)制動(dòng)作就要花去3分半的時(shí)間，所以如果整個(gè)job本來(lái)就花不了多少時(shí)間的，那這個(gè)時(shí)間就不可小視。

最后我們?cè)囋噑ort merge bucket map join，在bucket map join的基礎(chǔ)上加上下面的設(shè)置即可：

?

set hive.optimize.bucketmapjoin.sortedmerge = true;

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

sort merge bucket map join是不會(huì)產(chǎn)生hash table復(fù)制的步驟的，直接開(kāi)始做實(shí)際map端join操作了，數(shù)據(jù)在join的時(shí)候邊做邊讀。跳過(guò)復(fù)制的步驟，外加join算法的改進(jìn)，使得sort merge bucket map join的效率要明顯好于bucket map join。

關(guān)于join的算法雖然有這么些選擇，但是個(gè)人覺(jué)得，對(duì)于日常使用，掌握默認(rèn)的reduce join和普通的（無(wú)bucket）map join已經(jīng)能解決大多數(shù)問(wèn)題。如果小表不能完全放內(nèi)存，但是小表相對(duì)大表的size量級(jí)差別也非常大的時(shí)候，或者是必須要做cross join，那也可以試試bucket map join，不過(guò)其hash table分發(fā)的過(guò)程會(huì)浪費(fèi)不少時(shí)間，需要評(píng)估下是否能夠比reduce join更高效。而sort merge bucket map join雖然性能不錯(cuò)，但是把數(shù)據(jù)做成bucket本身也需要時(shí)間，另外其發(fā)動(dòng)條件比較特殊，就是兩邊join key必須都唯一（很多介紹資料中都不提這一點(diǎn)。強(qiáng)調(diào)下必須都是唯一，哪怕只有一個(gè)表不唯一，出來(lái)的結(jié)果也是錯(cuò)的。當(dāng)然，其實(shí)這點(diǎn)完全可以根據(jù)其算法原理推敲出來(lái)）。這樣的場(chǎng)景相對(duì)比較少見(jiàn)，“用戶基本表 join 用戶擴(kuò)展表”以及“用戶今天的數(shù)據(jù)快照 join 用戶昨天的數(shù)據(jù)快照”這類(lèi)場(chǎng)景可能比較合適。

這里順便說(shuō)個(gè)題外話，在數(shù)據(jù)倉(cāng)庫(kù)中，小表往往是維度表，而小表map join這件事情其實(shí)用udf代替還會(huì)更快，因?yàn)椴挥脝为?dú)啟動(dòng)一輪job，所以這也是一種可選方案。當(dāng)然前提條件是維度表是固定的自然屬性（比如日期），只增加不修改（比如網(wǎng)站的頁(yè)面編號(hào)）的情況也可以考慮。如果維度有更新，要做緩慢變化維的，當(dāng)然還是維表好維護(hù)。至于維表原本的一個(gè)主要用途OLAP，以Hive目前的性能是沒(méi)法實(shí)現(xiàn)的，也就不需要多慮了。

數(shù)據(jù)傾斜

所謂數(shù)據(jù)傾斜，說(shuō)的是由于數(shù)據(jù)分布不均勻，個(gè)別值集中占據(jù)大部分?jǐn)?shù)據(jù)量，加上hadoop的計(jì)算模式，導(dǎo)致計(jì)算資源不均勻引起性能下降。下圖就是一個(gè)例子：

還是拿網(wǎng)站的訪問(wèn)日志說(shuō)事吧。假設(shè)網(wǎng)站訪問(wèn)日志中會(huì)記錄用戶的user_id，并且對(duì)于注冊(cè)用戶使用其用戶表的user_id，對(duì)于非注冊(cè)用戶使用一個(gè)user_id = 0代表。那么鑒于大多數(shù)用戶是非注冊(cè)用戶（只看不寫(xiě)），所以u(píng)ser_id = 0占據(jù)了絕大多數(shù)。而如果進(jìn)行計(jì)算的時(shí)候如果以u(píng)ser_id作為group by的維度或者是join key，那么個(gè)別reduce會(huì)收到比其他reduce多得多的數(shù)據(jù)——因?yàn)樗邮账衭ser_id = 0的記錄進(jìn)行處理，使得其處理效果會(huì)非常差，其他reduce都跑完很久了它還在運(yùn)行。

傾斜分成group by造成的傾斜和join造成的傾斜，需要分開(kāi)看。

group by造成的傾斜有兩個(gè)參數(shù)可以解決，一個(gè)是hive.map.aggr，默認(rèn)值已經(jīng)為true，他的意思是做map aggregation，也就是在mapper里面做聚合。這個(gè)方法不同于直接寫(xiě)mapreduce的時(shí)候可以實(shí)現(xiàn)的combiner，事實(shí)上各種基于mr的框架如pig，cascading等等用的都是map aggregation（或者叫partial aggregation）而非combiner的策略，也就是在mapper里面直接做聚合操作而不是輸出到buffer給combiner做聚合。對(duì)于map aggregation，hive還會(huì)做檢查，如果aggregation的效果不好，那么hive會(huì)自動(dòng)放棄map aggregation。判斷效果的依據(jù)就是經(jīng)過(guò)一小批數(shù)據(jù)的處理之后，檢查聚合后的數(shù)據(jù)量是否減小到一定的比例，默認(rèn)是0.5，由hive.map.aggr.hash.min.reduction這個(gè)參數(shù)控制。所以如果確認(rèn)數(shù)據(jù)里面確實(shí)有個(gè)別取值傾斜，但是大部分值是比較稀疏的，這個(gè)時(shí)候可以把比例強(qiáng)制設(shè)為1，避免極端情況下map aggr失效。hive.map.aggr還有一些相關(guān)參數(shù)，比如map aggr的內(nèi)存占用等，具體可以參考這篇文章。另一個(gè)參數(shù)是hive.groupby.skewindata。這個(gè)參數(shù)的意思是做reduce操作的時(shí)候，拿到的key并不是所有相同值給同一個(gè)reduce，而是隨機(jī)分發(fā)，然后reduce做聚合，做完之后再做一輪MR，拿前面聚合過(guò)的數(shù)據(jù)再算結(jié)果。所以這個(gè)參數(shù)其實(shí)跟hive.map.aggr做的是類(lèi)似的事情，只是拿到reduce端來(lái)做，而且要額外啟動(dòng)一輪job，所以其實(shí)不怎么推薦用，效果不明顯。

如果碰到count distinct的情況需要優(yōu)化，改寫(xiě)SQL是一個(gè)比較簡(jiǎn)便的方法，可以按照下面這么做：

?

/*改寫(xiě)前*/

select a, count(distinct b) as c from tbl group by a;

/*改寫(xiě)后*/

select a, count(*) as c

from (select distinct a, b from tbl) group by a;

join造成的傾斜，就比如上面描述的網(wǎng)站訪問(wèn)日志和用戶表兩個(gè)表join：

select a.* from logs a join users b on a.user_id = b.user_id;

hive給出的解決方案叫skew join，其原理把這種user_id = 0的特殊值先不在reduce端計(jì)算掉，而是先寫(xiě)入hdfs，然后啟動(dòng)一輪map join專門(mén)做這個(gè)特殊值的計(jì)算，期望能提高計(jì)算這部分值的處理速度。當(dāng)然你要告訴hive這個(gè)join是個(gè)skew join，即：

set hive.optimize.skewjoin = true;

還有要告訴hive如何判斷特殊值，根據(jù)hive.skewjoin.key設(shè)置的數(shù)量hive可以知道，比如默認(rèn)值是100000，那么超過(guò)100000條記錄的值就是特殊值。
skew join的流程可以用下圖描述：

另外對(duì)于特殊值的處理往往跟業(yè)務(wù)有關(guān)系，所以也可以從業(yè)務(wù)角度重寫(xiě)sql解決。比如前面這種傾斜join，可以把特殊值隔離開(kāi)來(lái)（從業(yè)務(wù)角度說(shuō)，users表應(yīng)該不存在user_id = 0的情況，但是這里還是假設(shè)有這個(gè)值，使得這個(gè)寫(xiě)法更加具有通用性）：

?

select a.* from

(

select a.*

from (select * from logs where user_id = 0) a

join (select * from users where user_id = 0) b

on a.user_id = b.user_id

union all

select a.*

from logs a join users b

on a.user_id <> 0 and a.user_id = b.user_id

)t;

?

大部分時(shí)候傾斜是因?yàn)槟骋粋€(gè)特殊值，但是也有極端的情況是因?yàn)?strong>某一類(lèi)特殊值，這往往是業(yè)務(wù)設(shè)計(jì)造成。比如對(duì)于商品item_id的編碼，除了本身的id序列，還人為的把item的類(lèi)型也作為編碼放在最后兩位，這樣如果類(lèi)型1的編碼是00，類(lèi)型2的編碼是01，并且類(lèi)型1是主要商品類(lèi)，將會(huì)造成以00為結(jié)尾的商品整體傾斜。這時(shí)，如果reduce的數(shù)量恰好是100的整數(shù)倍，會(huì)造成partitioner把00結(jié)尾的item_id都hash到同一個(gè)reducer，引爆問(wèn)題。當(dāng)然，這種情況解決不難，只需要設(shè)置合適的reduce值，但是這種坑就會(huì)比較隱蔽。

SQL整體優(yōu)化

前面對(duì)于單個(gè)job如何做優(yōu)化已經(jīng)做過(guò)詳細(xì)討論，但是hive查詢會(huì)生成多個(gè)job，針對(duì)多個(gè)job，有什么地方需要優(yōu)化？

Job間并行

首先，在hive生成的多個(gè)job中，在有些情況下job之間是可以并行的，典型的就是子查詢。當(dāng)需要執(zhí)行多個(gè)子查詢union all或者join操作的時(shí)候，job間并行就可以使用了。比如下面的代碼就是一個(gè)可以并行的場(chǎng)景示意：

?

select * from

(

select count(*) from logs

where log_date = 20130801 and item_id = 1

union all

select count(*) from logs

where log_date = 20130802 and item_id = 2

union all

select count(*) from logs

where log_date = 20130803 and item_id = 3

)t

?

設(shè)置job間并行的參數(shù)是hive.exec.parallel，將其設(shè)為true即可。默認(rèn)的并行度為8，也就是最多允許sql中8個(gè)job并行。如果想要更高的并行度，可以通過(guò)hive.exec.parallel. thread.number參數(shù)進(jìn)行設(shè)置，但要避免設(shè)置過(guò)大而占用過(guò)多資源。

減少Job數(shù)

另外在實(shí)際開(kāi)發(fā)過(guò)程中也發(fā)現(xiàn)，一些實(shí)現(xiàn)思路會(huì)導(dǎo)致生成多余的job而顯得不夠高效。比如這個(gè)需求：查詢某網(wǎng)站日志中同時(shí)訪問(wèn)過(guò)頁(yè)面a和頁(yè)面b的用戶數(shù)量。低效的思路是面向明細(xì)的，先取出看過(guò)頁(yè)面a的用戶，再取出看過(guò)頁(yè)面b的用戶，然后取交集，代碼如下：

?

select count(*)

from

(select distinct user_id

from logs where page_name = 'a') a

join

(select distinct user_id

from logs where blog_owner = 'b') b

on a.user_id = b.user_id;

?

這樣一來(lái)，就要產(chǎn)生2個(gè)求子查詢的job，一個(gè)用于關(guān)聯(lián)的job，還有一個(gè)計(jì)數(shù)的job，一共有4個(gè)job。
但是我們直接用面向統(tǒng)計(jì)的方法去計(jì)算的話（也就是用group by替代join），則會(huì)更加符合M/R的模式，只需要用兩個(gè)job就能跑完：

?

select count (*) from (

select user_id

from logs group by user_id

having (count(case when page_name = 'a' then 1 end) *

count(case when page_name = 'b' then 1 end) > 0)

)t;

第一種查詢方法符合思考問(wèn)題的直覺(jué)，是工程師和分析師在實(shí)際查數(shù)據(jù)中最先想到的寫(xiě)法，但是如果在目前hive的query planner不是那么智能的情況下，想要更加快速的跑出結(jié)果，懂一點(diǎn)工具的內(nèi)部機(jī)理也是必須的。

2015.01 updated:?最近本文被CSDN轉(zhuǎn)載。時(shí)隔一年多，hive已經(jīng)有了很多變化，當(dāng)然本文中的方法都還是適用的。本文中的一些內(nèi)容（比如存儲(chǔ)格式）已經(jīng)有了更好的解決辦法，在我比較新的blog中也有間接的體現(xiàn)。但是礙于精力有限，不會(huì)專門(mén)在本文中更新相關(guān)內(nèi)容了。另外有網(wǎng)友指出原來(lái)文章中最后一段代碼是有問(wèn)題的，經(jīng)檢查確實(shí)是我的疏忽，描述也略有問(wèn)題，現(xiàn)已在本文中改正。當(dāng)然原有代碼體現(xiàn)出來(lái)的思路是沒(méi)有問(wèn)題的，主要是語(yǔ)法細(xì)節(jié)的錯(cuò)誤。

2015.12 updated:?更新了關(guān)于hive.map.aggr的解釋，并且補(bǔ)充了因?yàn)閷?duì)字段人為編碼而造成的數(shù)據(jù)傾斜的案例。

原文鏈接：http://my.oschina.net/leejun2005/blog/308427?fromerr=eCxcpQ1Q

總結(jié)

以上是生活随笔為你收集整理的数据仓库中的SQL性能优化 - Hive篇的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

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