hivesql优化的深入解析
轉載：https://www.csdn.net/article/2015-01-13/2823530
一個Hive查詢生成多個Map Reduce Job，一個Map Reduce Job又有Map，Reduce，Spill，Shuffle，Sort等多個階段，所以針對Hive查詢的優化可以大致分為針對MR中單個步驟的優化（其中又會有細分），針對MR全局的優化，和針對整個查詢（多MR Job）的優化，下文會分別闡述。
在開始之前，先把MR的流程圖帖出來（摘自Hadoop權威指南），方便后面對照。另外要說明的是，這個優化只是針對Hive 0.9版本，而不是后來Hortonwork發起Stinger項目之后的版本。相對應的Hadoop版本是1.x而非2.x。
Map階段的優化(Map phase)
Map階段的優化，主要是確定合適的Map數。那么首先要了解Map數的計算公式：
num_Map_tasks = max[${Mapred.min.split.size}，min(${dfs.block.size}， ${Mapred.max.split.size})]- Mapred.min.split.size指的是數據的最小分割單元大小。
- Mapred.max.split.size指的是數據的最大分割單元大小。
- dfs.block.size指的是HDFS設置的數據塊大小。
一般來說dfs.block.size這個值是一個已經指定好的值，而且這個參數Hive是識別不到的：
所以實際上只有Mapred.min.split.size和Mapred.max.split.size這兩個參數（本節內容后面就以min和max指代這兩個參數）來決定Map數量。在Hive中min的默認值是1B，max的默認值是256MB：
所以如果不做修改的話，就是1個Map task處理256MB數據，我們就以調整max為主。通過調整max可以起到調整Map數的作用，減小max可以增加Map數，增大max可以減少Map數。需要提醒的是，直接調整Mapred.Map.tasks這個參數是沒有效果的。
調整大小的時機根據查詢的不同而不同，總的來講可以通過觀察Map task的完成時間來確定是否需要增加Map資源。如果Map task的完成時間都是接近1分鐘，甚至幾分鐘了，那么往往增加Map數量，使得每個Map task處理的數據量減少，能夠讓Map task更快完成；而如果Map task的運行時間已經很少了，比如10-20秒，這個時候增加Map不太可能讓Map task更快完成，反而可能因為Map需要的初始化時間反而讓Job總體速度變慢，這個時候反而需要考慮是否可以把Map的數量減少，這樣可以節省更多資源給其他Job。
Reduce階段的優化(Reduce phase)
這里說的Reduce階段，是指前面流程圖中的Reduce phase（實際的Reduce計算）而非圖中整個Reduce task。Reduce階段優化的主要工作也是選擇合適的Reduce task數量，跟上面的Map優化類似。
與Map優化不同的是，Reduce優化時，可以直接設置Mapred。Reduce。tasks參數從而直接指定Reduce的個數。當然直接指定Reduce個數雖然比較方便，但是不利于自動擴展。Reduce數的設置雖然相較Map更靈活，但是也可以像Map一樣設定一個自動生成規則，這樣運行定時Job的時候就不用擔心原來設置的固定Reduce數會由于數據量的變化而不合適。
Hive估算Reduce數量的時候，使用的是下面的公式：
num_Reduce_tasks = min[${Hive.exec.Reducers.max}， (${input.size} / ${ Hive.exec.Reducers.bytes.per.Reducer})]也就是說，根據輸入的數據量大小來決定Reduce的個數，默認Hive.exec.Reducers.bytes.per.Reducer為1G，而且Reduce個數不能超過一個上限參數值，這個參數的默認取值為999。所以我們可以調整Hive.exec.Reducers.bytes.per.Reducer來設置Reduce個數。
設置Reduce數同樣也是根據運行時間作為參考調整，并且可以根據特定的業務需求、工作負載類型總結出經驗，所以不再贅述。
Map與Reduce之間的優化(Spill， copy， Sort phase)
Map phase和Reduce phase之間主要有3道工序。首先要把Map輸出的結果進行排序后做成中間文件，其次這個中間文件就能分發到各個Reduce，最后Reduce端在執行Reduce phase之前把收集到的排序子文件合并成一個排序文件。這個部分可以調的參數挺多，但是一般都是不要調整的，不必重點關注。
Spill 與 Sort
在Spill階段，由于內存不夠，數據可能沒辦法在內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上，這個動作叫Spill，然后Spill出來的多個文件可以在最后進行merge。如果發生Spill，可以通過設置io.Sort.mb來增大Mapper輸出buffer的大小，避免Spill的發生。另外合并時可以通過設置io.Sort.factor來使得一次性能夠合并更多的數據。調試參數的時候，一個要看Spill的時間成本，一個要看merge的時間成本，還需要注意不要撐爆內存（io.Sort.mb是算在Map的內存里面的）。Reduce端的merge也是一樣可以用io.Sort.factor。一般情況下這兩個參數很少需要調整，除非很明確知道這個地方是瓶頸。
Copy
copy階段是把文件從Map端copy到Reduce端。默認情況下在5%的Map完成的情況下Reduce就開始啟動copy，這個有時候是很浪費資源的，因為Reduce一旦啟動就被占用，一直等到Map全部完成，收集到所有數據才可以進行后面的動作，所以我們可以等比較多的Map完成之后再啟動Reduce流程，這個比例可以通Mapred.Reduce.slowstart.completed.Maps去調整，他的默認值就是5%。如果覺得這么做會減慢Reduce端copy的進度，可以把copy過程的線程增大。tasktracker.http.threads可以決定作為server端的Map用于提供數據傳輸服務的線程，Mapred.Reduce.parallel.copies可以決定作為client端的Reduce同時從Map端拉取數據的并行度（一次同時從多少個Map拉數據），修改參數的時候這兩個注意協調一下，server端能處理client端的請求即可。
文件格式的優化
文件格式方面有兩個問題，一個是給輸入和輸出選擇合適的文件格式，另一個則是小文件問題。小文件問題在目前的Hive環境下已經得到了比較好的解決，Hive的默認配置中就可以在小文件輸入時自動把多個文件合并給1個Map處理，輸出時如果文件很小也會進行一輪單獨的合并，所以這里就不專門討論了。相關的參數可以在這里找到。
關于文件格式，Hive0.9版本有3種，textfile，sequencefile和rcfile。總體上來說，rcfile的壓縮比例和查詢時間稍好一點，所以推薦使用。
關于使用方法，可以在建表結構時可以指定格式，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;另外時也可以指定輸出格式，也可以通過Hive。default。fileformat來設定輸出格式，適用于create table as select的情況：
上面的文件格式轉換，其實是由Hive完成的（也就是插入動作）。但是也可以由外部直接導入純文本（可以按照這里的做法預先壓縮），或者是由MapReduce Job生成的數據。
值得注意的是，Hive讀取sequencefile的時候，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的數據來源是從mr生成的，那么寫sequencefile的時候，key和value都是有意義的，key不能被忽略，而是應該當成第一個字段。為了解決這種不匹配的情況，有兩種辦法。一種是要求凡是結果會給Hive用的mr Job輸出value的時候帶上key。但是這樣的話對于開發是一個負擔，讀寫數據的時候都要注意這個情況。所以更好的方法是第二種，也就是把這個源自于Hive的問題交給Hive解決，寫一個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：
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; //在構造函數中用createKey()生成Text inner_value = (Text) innerValue; //在構造函數中用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整體優化
有一些問題必須從Job的整體角度去觀察。這里討論幾個問題：Job執行模式（本地執行v.s.分布式執行）、JVM重用、索引、Join算法、數據傾斜。
Job執行模式
Hadoop的Map Reduce Job可以有3種模式執行，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習Hadoop的時候往往被說成是做單機開發的時候用到。但是實際上對于處理數據量非常小的Job，直接啟動分布式Job會消耗大量資源，而真正執行計算的時間反而非常少。這個時候就應該使用本地模式執行mr Job，這樣執行的時候不會啟動分布式Job，執行速度就會快很多。比如一般來說啟動分布式Job，無論多小的數據量，執行時間一般不會少于20s，而使用本地mr模式，10秒左右就能出結果。
設置執行模式的主要參數有三個，一個是Hive.exec.mode.local.auto，把他設為true就能夠自動開啟local mr模式。但是這還不足以啟動local mr，輸入的文件數量和數據量大小必須要控制，這兩個參數分別為Hive.exec.mode.local.auto.tasks.max和Hive.exec.mode.local.auto.inputbytes.max，默認值分別為4和128MB，即默認情況下，Map處理的文件數不超過4個并且總大小小于128MB就啟用local mr模式。
JVM重用
正常情況下，MapReduce啟動的JVM在完成一個task之后就退出了，但是如果任務花費時間很短，又要多次啟動JVM的情況下（比如對很大數據量進行計數操作），JVM的啟動時間就會變成一個比較大的overhead。在這種情況下，可以使用jvm重用的參數：
set Mapred.Job.reuse.jvm.num.tasks = 5;他的作用是讓一個jvm運行多次任務之后再退出。這樣一來也能節約不少JVM啟動時間。
索引
總體上來說，Hive的索引目前還是一個不太適合使用的東西，這里只是考慮到敘述完整性，對其進行基本的介紹。
Hive中的索引架構開放了一個接口，允許你根據這個接口去實現自己的索引。目前Hive自己有一個參考的索引實現（CompactIndex），后來在0.8版本中又加入位圖索引。這里就講講CompactIndex。
CompactIndex的實現原理類似一個lookup table，而非傳統數據庫中的B樹。如果你對table A的col1做了索引，索引文件本身就是一個table，這個table會有3列，分別是col1的枚舉值，每個值對應的數據文件位置，以及在這個文件位置中的偏移量。通過這種方式，可以減少你查詢的數據量（偏移量可以告訴你從哪個位置開始找，自然只需要定位到相應的block），起到減少資源消耗的作用。但是就其性能來說，并沒有很大的改善，很可能還不如構建索引需要花的時間。所以在集群資源充足的情況下，沒有太大必要考慮索引。
CompactIndex的還有一個缺點就是使用起來不友好，索引建完之后，使用之前還需要根據查詢條件做一個同樣剪裁才能使用，索引的內部結構完全暴露，而且還要花費額外的時間。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，會直接報錯，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join，一般有兩種方法:
- replication join：把其中一個表復制到所有節點，這樣另一個表在每個節點上面的分片就可以跟這個完整的表join了；
- repartition join：把兩份數據按照join key進行hash重分布，讓每個節點處理hash值相同的join key數據，也就是做局部的join。
這兩種方式在M/R Job中分別對應了Map side join和Reduce side join。在一些MPP DB中，數據可以按照某列字段預先進行hash分布，這樣在跟這個表以這個字段為join key進行join的時候，該表肯定不需要做數據重分布了，這種功能是以HDFS作為底層文件系統的Hive所沒有的。
在默認情況下，Hive的join策略是進行Reduce side join。當兩個表中有一個是小表的時候，就可以考慮用Map join了，因為小表復制的代價會好過大表Shuffle的代價。使用Map join的配置方法有兩種，一種直接在sql中寫hint，語法是/*+MapJOIN (tbl)*/，其中tbl就是你想要做replication的表。另一種方法是設置Hive.auto.convert.join = true，這樣Hive會自動判斷當前的join操作是否合適做Map join，主要是找join的兩個表中有沒有小表。至于多大的表算小表，則是由Hive.smalltable.filesize決定，默認25MB。
但是有的時候，沒有一個表足夠小到能夠放進內存，但是還是想用Map join怎么辦？這個時候就要用到bucket Map join。其方法是兩個join表在join key上都做hash bucket，并且把你打算復制的那個（相對）小表的bucket數設置為大表的倍數。這樣數據就會按照join key做hash bucket。小表依然復制到所有節點，Map join的時候，小表的每一組bucket加載成hashtable，與對應的一個大表bucket做局部join，這樣每次只需要加載部分hashtable就可以了。
然后在兩個表的join key都具有唯一性的時候（也就是可做主鍵），還可以進一步做Sort merge bucket Map join。做法還是兩邊要做hash bucket，而且每個bucket內部要進行排序。這樣一來當兩邊bucket要做局部join的時候，只需要用類似merge Sort算法中的merge操作一樣把兩個bucket順序遍歷一遍即可完成，這樣甚至都不用把一個bucket完整的加載成hashtable，這對性能的提升會有很大幫助。
然后這里以一個完整的實驗說明這幾種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;然后插入我們準備好的800萬行數據，注意要強制劃分成bucket（也就是用Reduce劃分hash值相同的數據到相同的文件）：
這樣這個表就有了800萬id值（且里面沒有重復值，所以可以做Sort merge），占用80MB左右。
接下來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;然后就會看到分發hash table的過程：
不幸的是，居然內存不夠了，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？觀察整個過程就會發現，平均一條記錄需要用到200字節的存儲空間，這個overhead太大了，對于Map join的小表size一定要好好評估，如果有幾十萬記錄數就要小心了。雖然不太清楚其中的構造原理，但是在互聯網上也能找到其他的例證，比如這里和這里，平均一行500字節左右。這個明顯比一般的表一行占用的數據量要大。不過Hive也在做這方面的改進，爭取縮小hash table，比如Hive-6430。
所以接下來我們就用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置：
set Hive。optimize。bucketMapjoin = true;然后還是會看到hash table分發：
這次就會看到每次構建完一個hash table（也就是所對應的對應一個bucket），會把這個hash table寫入文件，重新構建新的hash table。這樣一來由于每個hash table的量比較小，也就不會有內存不足的問題，整個sql也能成功運行。不過光光是這個復制動作就要花去3分半的時間，所以如果整個Job本來就花不了多少時間的，那這個時間就不可小視。? ??
最后我們試試Sort merge bucket Map join，在bucket Map join的基礎上加上下面的設置即可：
set Hive.optimize.bucketMapjoin.Sortedmerge = true; set Hive.input.format = org.apache.Hadoop.Hive.ql.io.BucketizedHiveInputFormat;Sort merge bucket Map join是不會產生hash table復制的步驟的，直接開始做實際Map端join操作了，數據在join的時候邊做邊讀。跳過復制的步驟，外加join算法的改進，使得Sort merge bucket Map join的效率要明顯好于bucket Map join。
關于join的算法雖然有這么些選擇，但是個人覺得，對于日常使用，掌握默認的Reduce join和普通的（無bucket）Map join已經能解決大多數問題。如果小表不能完全放內存，但是小表相對大表的size量級差別也非常大的時候也可以試試bucket Map join，不過其hash table分發的過程會浪費不少時間，需要評估下是否能夠比Reduce join更高效。而Sort merge bucket Map join雖然性能不錯，但是把數據做成bucket本身也需要時間，另外其發動條件比較特殊，就是兩邊join key必須都唯一（很多介紹資料中都不提這一點。強調下必須都是唯一，哪怕只有一個表不唯一，出來的結果也是錯的。當然，其實這點完全可以根據其算法原理推敲出來）。這樣的場景相對比較少見，“用戶基本表 join 用戶擴展表”以及“用戶今天的數據快照 join 用戶昨天的數據快照”這類場景可能比較合適。
這里順便說個題外話，在數據倉庫中，小表往往是維度表，而小表Map join這件事情其實用udf代替還會更快，因為不用單獨啟動一輪Job，所以這也是一種可選方案。當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（比如網站的頁面編號）的情況也可以考慮。如果維度有更新，要做緩慢變化維的，當然還是維表好維護。至于維表原本的一個主要用途OLAP，以Hive目前的性能是沒法實現的，也就不需要多慮了。
數據傾斜
所謂數據傾斜，說的是由于數據分布不均勻，個別值集中占據大部分數據量，加上Hadoop的計算模式，導致計算資源不均勻引起性能下降。下圖就是一個例子：
還是拿網站的訪問日志說事吧。假設網站訪問日志中會記錄用戶的user_id，并且對于注冊用戶使用其用戶表的user_id，對于非注冊用戶使用一個user_id=0代表。那么鑒于大多數用戶是非注冊用戶（只看不寫），所以user_id=0占據了絕大多數。而如果進行計算的時候如果以user_id作為group by的維度或者是join key，那么個別Reduce會收到比其他Reduce多得多的數據——因為它要接收所有user_id=0的記錄進行處理，使得其處理效果會非常差，其他Reduce都跑完很久了它還在運行。
傾斜分成group by造成的傾斜和join造成的傾斜，需要分開看。
group by造成的傾斜有兩個參數可以解決，一個是Hive.Map.aggr，默認值已經為true，意思是會做Map端的combiner。所以如果你的group by查詢只是做count(*)的話，其實是看不出傾斜效果的，但是如果你做的是count(distinct)，那么還是會看出一點傾斜效果。另一個參數是Hive.groupby. skewindata。這個參數的意思是做Reduce操作的時候，拿到的key并不是所有相同值給同一個Reduce，而是隨機分發，然后Reduce做聚合，做完之后再做一輪MR，拿前面聚合過的數據再算結果。所以這個參數其實跟Hive.Map.aggr做的是類似的事情，只是拿到Reduce端來做，而且要額外啟動一輪Job，所以其實不怎么推薦用，效果不明顯。
如果說要改寫SQL來優化的話，可以按照下面這么做：
/*改寫前*/ select a， count(distinct b) as c from tbl group by a; /*改寫后*/ 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站訪問日志和用戶表兩個表join：
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端計算掉，而是先寫入hdfs，然后啟動一輪Map join專門做這個特殊值的計算，期望能提高計算這部分值的處理速度。當然你要告訴Hive這個join是個skew join，即：
set Hive.optimize.skewjoin = true;還有要告訴Hive如何判斷特殊值，根據Hive.skewjoin.key設置的數量Hive可以知道，比如默認值是100000，那么超過100000條記錄的值就是特殊值。
skew join的流程可以用下圖描述：
另外對于特殊值的處理往往跟業務有關系，所以也可以從業務角度重寫sql解決。比如前面這種傾斜join，可以把特殊值隔離開來（從業務角度說，users表應該不存在user_id = 0的情況，但是這里還是假設有這個值，使得這個寫法更加具有通用性）：
數據傾斜不僅僅是Hive的問題，其實是share nothing架構下必然會碰到的數據分布問題，對此學界也有專門的研究，比如skewtune。
SQL整體優化
前面對于單個Job如何做優化已經做過詳細討論，但是Hive查詢會生成多個Job，針對多個Job，有什么地方需要優化？
Job間并行
首先，在Hive生成的多個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。當需要執行多個子查詢union all或者join操作的時候，Job間并行就可以使用了。比如下面的代碼就是一個可以并行的場景示意：
select * from (select count(*) from logs where log_date = 20130801 and item_id = 1union all select count(*) from logs where log_date = 20130802 and item_id = 2union all select count(*) from logs where log_date = 20130803 and item_id = 3 )t設置Job間并行的參數是Hive.exec.parallel，將其設為true即可。默認的并行度為8，也就是最多允許sql中8個Job并行。如果想要更高的并行度，可以通過Hive.exec.parallel. thread.number參數進行設置，但要避免設置過大而占用過多資源。
減少Job數
另外在實際開發過程中也發現，一些實現思路會導致生成多余的Job而顯得不夠高效。比如這個需求：查詢某網站日志中訪問過頁面a和頁面b的用戶數量。低效的思路是面向明細的，先取出看過頁面a的用戶，再取出看過頁面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，就要產生2個求子查詢的Job，一個用于關聯的Job，還有一個計數的Job，一共有4個Job。
但是我們直接用面向統計的方法去計算的話（也就是用group by替代join），則會更加符合M/R的模式，而且生成了一個完全不帶子查詢的sql，只需要用一個Job就能跑完：
select count(*) from logs group by user_id having (count(case when page_name = ‘a’ then 1 end) > 0and count(case when page_name = ‘b’ then 1 end) > 0)第一種查詢方法符合思考問題的直覺，是工程師和分析師在實際查數據中最先想到的寫法，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果，懂一點工具的內部機理也是必須的。
?
總結
以上是生活随笔為你收集整理的hivesql优化的深入解析的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 中小企业虚拟化解决方案-VMware v
- 下一篇： 2018年SIAF 广州国际工业自动化技