大數據：Hive經常使用參數調優

時間 2019-11-06

標籤數據 hive 經常使用參數欄目 Hadoop 简体版

原文原文鏈接

一、limit限制調整

通常狀況下，Limit語句仍是須要執行整個查詢語句，而後再返回部分結果。html

有一個配置屬性能夠開啓，避免這種狀況---對數據源進行抽樣node

hive.limit.optimize.enable=true --- 開啓對數據源進行採樣的功能sql

hive.limit.row.max.size --- 設置最小的採樣容量數據庫

hive.limit.optimize.limit.file --- 設置最大的採樣樣本數apache

缺點：有可能部分數據永遠不會被處理到緩存

2.JOIN優化

1). 將大表放後頭併發

Hive假定查詢中最後的一個表是大表。它會將其它表緩存起來，而後掃描最後那個表。app

所以一般須要將小表放前面，或者標記哪張表是大表：/*streamtable(table_name) */負載均衡

2). 使用相同的鏈接鍵jvm

當對3個或者更多個表進行join鏈接時，若是每一個on子句都使用相同的鏈接鍵的話，那麼只會產生一個MapReduce job。

3). 儘可能儘早地過濾數據

減小每一個階段的數據量,對於分區表要加分區，同時只選擇須要使用到的字段。

4). 儘可能原子化操做

儘可能避免一個SQL包含複雜邏輯，可使用中間表來完成複雜的邏輯

3. 本地模式

　　有時hive的輸入數據量是很是小的。在這種狀況下，爲查詢出發執行任務的時間消耗可能會比實際job的執行時間要多的多。對於大多數這種狀況，hive能夠經過本地模式在單臺機器上處理全部的任務。對於小數據集，執行時間會明顯被縮短

set hive.exec.mode.local.auto=true;

當一個job知足以下條件才能真正使用本地模式：

　　1.job的輸入數據大小必須小於參數：hive.exec.mode.local.auto.inputbytes.max(默認128MB)

　　2.job的map數必須小於參數：hive.exec.mode.local.auto.tasks.max(默認4)

　　3.job的reduce數必須爲0或者1

可用參數hive.mapred.local.mem(默認0)控制child jvm使用的最大內存數。

4.並行執行

　　hive會將一個查詢轉化爲一個或多個階段，包括：MapReduce階段、抽樣階段、合併階段、limit階段等。默認狀況下，一次只執行一個階段。不過，若是某些階段不是互相依賴，是能夠並行執行的。

set hive.exec.parallel=true,能夠開啓併發執行。

set hive.exec.parallel.thread.number=16; //同一個sql容許最大並行度，默認爲8。

會比較耗系統資源。

5.strict模式

--對分區表進行查詢，在where子句中沒有加分區過濾的話，將禁止提交任務(默認：nonstrict)

set hive.mapred.mode=strict;

注：使用嚴格模式能夠禁止3種類型的查詢：

（1）對於分區表，不加分區字段過濾條件，不能執行

（2）對於order by語句，必須使用limit語句。

（3）限制笛卡爾積的查詢（join的時候不使用on，而使用where的）。

6.調整mapper和reducer個數

Map階段優化

map執行時間：map任務啓動和初始化的時間+邏輯處理的時間。

1.一般狀況下，做業會經過input的目錄產生一個或者多個map任務。

主要的決定因素有： input的文件總個數，input的文件大小，集羣設置的文件塊大小(目前爲128M, 可在hive中經過set dfs.block.size;命令查看到，該參數不能自定義修改)；

2.舉例：

a)假設input目錄下有1個文件a,大小爲780M,那麼hadoop會將該文件a分隔成7個塊（6個128m的塊和1個12m的塊），從而產生7個map數

b)假設input目錄下有3個文件a,b,c,大小分別爲10m，20m，130m，那麼hadoop會分隔成4個塊（10m,20m,128m,2m）,從而產生4個map數

即，若是文件大於塊大小(128m),那麼會拆分，若是小於塊大小，則把該文件當成一個塊。

3.是否是map數越多越好？

答案是否認的。若是一個任務有不少小文件（遠遠小於塊大小128m）,則每一個小文件也會被當作一個塊，用一個map任務來完成，而一個map任務啓動和初始化的時間遠遠大於邏輯處理的時間，就會形成很大的資源浪費。並且，同時可執行的map數是受限的。

4.是否是保證每一個map處理接近128m的文件塊，就高枕無憂了？

答案也是不必定。好比有一個127m的文件，正常會用一個map去完成，但這個文件只有一個或者兩個小字段，卻有幾千萬的記錄，若是map處理的邏輯比較複雜，用一個map任務去作，確定也比較耗時。

針對上面的問題3和4，咱們須要採起兩種方式來解決：即減小map數和增長map數；

如何合併小文件，減小map數？

假設一個SQL任務： Select count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’;

該任務的inputdir /group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04

共有194個文件，其中不少是遠遠小於128m的小文件，總大小9G，正常執行會用194個map任務。

Map總共消耗的計算資源： SLOTS_MILLIS_MAPS= 623,020

經過如下方法來在map執行前合併小文件，減小map數：

set mapred.max.split.size=100000000;
 set mapred.min.split.size.per.node=100000000;
 set mapred.min.split.size.per.rack=100000000;
 set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

再執行上面的語句，用了74個map任務，map消耗的計算資源： SLOTS_MILLIS_MAPS=333,500

對於這個簡單SQL任務，執行時間上可能差很少，但節省了一半的計算資源。

大概解釋一下，100000000表示100M,

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

這個參數表示執行前進行小文件合併，

前面三個參數肯定合併文件塊的大小，大於文件塊大小128m的，按照128m來分隔，小於128m,大於100m的，按照100m來分隔，把那些小於100m的（包括小文件和分隔大文件剩下的），進行合併,最終生成了74個塊。

如何適當的增長map數？

當input的文件都很大，任務邏輯複雜，map執行很是慢的時候，能夠考慮增長Map數，

來使得每一個map處理的數據量減小，從而提升任務的執行效率。

假設有這樣一個任務：

Select data_desc,

count(1),

count(distinct id),

sum(case when …),

sum(case when ...),

sum(…)

from a group by data_desc

若是表a只有一個文件，大小爲120M，但包含幾千萬的記錄，

若是用1個map去完成這個任務，確定是比較耗時的，

這種狀況下，咱們要考慮將這一個文件合理的拆分紅多個，

這樣就能夠用多個map任務去完成。

set mapred.reduce.tasks=10;

create table a_1 as

select * from a

distribute by rand(123);

這樣會將a表的記錄，隨機的分散到包含10個文件的a_1表中，再用a_1代替上面sql中的a表，則會用10個map任務去完成。

每一個map任務處理大於12M（幾百萬記錄）的數據，效率確定會好不少。

看上去，貌似這兩種有些矛盾，一個是要合併小文件，一個是要把大文件拆成小文件，這點正是重點須要關注的地方，

根據實際狀況，控制map數量須要遵循兩個原則：使大數據量利用合適的map數；使單個map任務處理合適的數據量；

2、控制hive任務的reduce數：

1.Hive本身如何肯定reduce數：

reduce個數的設定極大影響任務執行效率，不指定reduce個數的狀況下，Hive會猜想肯定一個reduce個數，基於如下兩個設定：

hive.exec.reducers.bytes.per.reducer（每一個reduce任務處理的數據量，默認爲1000^3=1G）

hive.exec.reducers.max（每一個任務最大的reduce數，默認爲999）

計算reducer數的公式很簡單N=min(參數2，總輸入數據量/參數1)

即，若是reduce的輸入（map的輸出）總大小不超過1G,那麼只會有一個reduce任務；

如：

select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt;

/group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04 總大小爲9G多，

所以這句有10個reduce

2.調整reduce個數方法一：

調整hive.exec.reducers.bytes.per.reducer參數的值；

set hive.exec.reducers.bytes.per.reducer=500000000; （500M）

select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt; 此次有20個reduce

3.調整reduce個數方法二；

set mapred.reduce.tasks = 15;

select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt;此次有15個reduce

4.reduce個數並非越多越好；

同map同樣，啓動和初始化reduce也會消耗時間和資源；

另外，有多少個reduce,就會有多少個輸出文件，若是生成了不少個小文件，

那麼若是這些小文件做爲下一個任務的輸入，則也會出現小文件過多的問題；

5.什麼狀況下只有一個reduce；

不少時候你會發現任務中無論數據量多大，無論你有沒有設置調整reduce個數的參數，任務中一直都只有一個reduce任務；

其實只有一個reduce任務的狀況，除了數據量小於hive.exec.reducers.bytes.per.reducer參數值的狀況外，還有如下緣由：

a)沒有group by的彙總，好比把select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt;

寫成 select count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04';

這點很是常見，但願你們儘可能改寫。

b)用了Order by

c)有笛卡爾積

一般這些狀況下，除了找辦法來變通和避免，我暫時沒有什麼好的辦法，

由於這些操做都是全局的，因此hadoop不得不用一個reduce去完成；

一樣的，在設置reduce個數的時候也須要考慮這兩個原則：

使大數據量利用合適的reduce數；使單個reduce任務處理合適的數據量。

2 Reduce階段優化

調整方式：

-- set mapred.reduce.tasks=?

-- set hive.exec.reducers.bytes.per.reducer = ?

通常根據輸入文件的總大小,用它的estimation函數來自動計算reduce的個數：reduce個數 = InputFileSize / bytes per reducer

7.JVM重用

--用於避免小文件的場景或者task特別多的場景，這類場景大多數執行時間都很短，由於hive調起mapreduce任務，JVM的啓動過程會形成很大的開銷，尤爲是job有成千上萬個task任務時，JVM重用可使得JVM實例在同一個job中從新使用N次

set mapred.job.reuse.jvm.num.tasks=10; --10爲重用個數

8.動態分區調整

--動態分區屬性：設置爲true表示開啓動態分區功能（默認爲false）

hive.exec.dynamic.partition=true;

--動態分區屬性：設置爲nonstrict,表示容許全部分區都是動態的（默認爲strict）

--設置爲strict，表示必須保證至少有一個分區是靜態的

hive.exec.dynamic.partition.mode=strict;

--動態分區屬性：每一個mapper或reducer能夠建立的最大動態分區個數

hive.exec.max.dynamic.partitions.pernode=100;

--動態分區屬性：一個動態分區建立語句能夠建立的最大動態分區個數

hive.exec.max.dynamic.partitions=1000;

--動態分區屬性：全局能夠建立的最大文件個數

hive.exec.max.created.files=100000;

--控制DataNode一次能夠打開的文件個數

--這個參數必須設置在DataNode的$HADOOP_HOME/conf/hdfs-site.xml文件中

<name>dfs.datanode.max.xcievers</name>

</property>

9.推測執行

--目的：是經過加快獲取單個task的結果以及進行偵測將執行慢的TaskTracker加入到黑名單的方式來提升總體的任務執行效率

（1）修改 $HADOOP_HOME/conf/mapred-site.xml文件

<name>mapred.map.tasks.speculative.execution </name>

</property>

<name>mapred.reduce.tasks.speculative.execution </name>

</property>

（2）修改hive配置

set hive.mapred.reduce.tasks.speculative.execution=true;

10.數據傾斜

表現：任務進度長時間維持在99%（或100%），查看任務監控頁面，發現只有少許（1個或幾個）reduce子任務未完成。由於其處理的數據量和其餘reduce差別過大。

單一reduce的記錄數與平均記錄數差別過大，一般可能達到3倍甚至更多。最長時長遠大於平均時長。

緣由

1)、key分佈不均勻

2)、業務數據自己的特性

3)、建表時考慮不周

4)、某些SQL語句自己就有數據傾斜

關鍵詞	情形	後果
join	其中一個表較小，可是key集中	分發到某一個或幾個Reduce上的數據遠高於平均值
join	大表與大表，可是分桶的判斷字段0值或空值過多	這些空值都由一個reduce處理，灰常慢
group by	group by 維度太小，某值的數量過多	處理某值的reduce灰常耗時
count distinct	某特殊值過多	處理此特殊值reduce耗時

解決方案：

參數調節

hive.map.aggr=true

11. 其餘參數調優

--開啓CLI提示符前打印出當前所在的數據庫名

set hive.cli.print.current.db=true;

--讓CLI打印出字段名稱

hive.cli.print.header=true;

--設置任務名稱，方便查找監控

SET mapred.job.name=P_DWA_D_IA_S_USER_PROD;

--決定是否能夠在 Map 端進行聚合操做

set hive.map.aggr=true;

--有數據傾斜的時候進行負載均衡

set hive.groupby.skewindata=true;

--對於簡單的不須要聚合的相似SELECT <col> from <table> LIMIT n語句，不須要起MapReduce job，直接經過Fetch task獲取數據

set hive.fetch.task.conversion=more;

十二、小文件問題

Hive優化之小文件問題及其解決方案

小文件是如何產生的

1.動態分區插入數據，產生大量的小文件，從而致使map數量劇增。

2.reduce數量越多，小文件也越多(reduce的個數和輸出文件是對應的)。

3.數據源自己就包含大量的小文件。

小文件問題的影響

1.從Hive的角度看，小文件會開不少map，一個map開一個JVM去執行，因此這些任務的初始化，啓動，執行會浪費大量的資源，嚴重影響性能。

2.在HDFS中，每一個小文件對象約佔150byte，若是小文件過多會佔用大量內存。這樣NameNode內存容量嚴重製約了集羣的擴展。

小文件問題的解決方案

從小文件產生的途經就能夠從源頭上控制小文件數量，方法以下：

　　1.使用Sequencefile做爲表存儲格式，不要用textfile，在必定程度上能夠減小小文件。

　　2.減小reduce的數量(可使用參數進行控制)。

　　3.少用動態分區，用時記得按distribute by分區。

對於已有的小文件，咱們能夠經過如下幾種方案解決：

　　1.使用hadoop archive命令把小文件進行歸檔。

　　2.重建表，建表時減小reduce數量。

　　3.經過參數進行調節，設置map/reduce端的相關參數，以下：

設置map輸入合併小文件的相關參數：

//每一個Map最大輸入大小(這個值決定了合併後文件的數量)  
set mapred.max.split.size=256000000;    
//一個節點上split的至少的大小(這個值決定了多個DataNode上的文件是否須要合併)  
set mapred.min.split.size.per.node=100000000;  
//一個交換機下split的至少的大小(這個值決定了多個交換機上的文件是否須要合併)    
set mapred.min.split.size.per.rack=100000000;  
//執行Map前進行小文件合併  
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

設置map輸出和reduce輸出進行合併的相關參數：

//設置map端輸出進行合併，默認爲true  
set hive.merge.mapfiles = true  
//設置reduce端輸出進行合併，默認爲false  
set hive.merge.mapredfiles = true  
//設置合併文件的大小  
set hive.merge.size.per.task = 256*1000*1000  
//當輸出文件的平均大小小於該值時，啓動一個獨立的MapReduce任務進行文件merge。  
set hive.merge.smallfiles.avgsize=16000000