數據分析利器之hive優化十大原則

hive之於數據民工，就如同鋤頭之於農民伯伯。hive用的好，才能從地裏（數據庫）裏挖出更多的數據來。

用過hive的朋友，我想或多或少都有相似的經歷：一天下來，沒跑幾回hive，就到下班時間了。

hive在極大數據或者數據不平衡等狀況下，表現每每通常，所以也出現了presto、spark-sql等替代品。今天不談其它，就來講說關於hive，我的的一點心得。

 

一. 錶鏈接優化 

1.  將大表放後頭

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。

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) */

2. 使用相同的鏈接鍵

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

 

二. 用insert into替換union all

若是union all的部分個數大於2，或者每一個union部分數據量大，應該拆成多個insert into 語句，實際測試過程當中，執行時間能提高50%

 

如：

insert overwite table tablename partition (dt= ....) 　

select ..... from ( select ... from A 

union all 　

select ... from B 　union all select ... from C ) R 　

where ...;

能夠改寫爲：

insert into table tablename partition (dt= ....) select .... from A WHERE ...; insert into table tablename partition (dt= ....) select .... from B 　WHERE ...; insert into table tablename partition (dt= ....) select .... from C WHERE ...;

 

三.  order by & sort by 

 

order by : 對查詢結果進行全局排序，消耗時間長。須要 set hive.mapred.mode=nostrict

sort by : 局部排序，並不是全局有序，提升效率。

 

四. transform+python

一種嵌入在hive取數流程中的自定義函數，經過transform語句能夠把在hive中不方便實現的功能在python中實現，而後寫入hive表中。

語法：

select transform({column names1})

using '**.py'

as {column names2}

from {table name}

若是除python腳本外還有其它依賴資源，可使用ADD ARVHIVE

 

五. limit 語句快速出結果

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。

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

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

hive.limit.row.max.size --- 設置最小的採樣容量

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

缺點：有可能部分數據永遠不會被處理到

 

六. 本地模式

對於小數據集，爲查詢觸發執行任務消耗的時間>實際執行job的時間，所以能夠經過本地模式，在單臺機器上（或某些時候在單個進程上）處理全部的任務。

set oldjobtracker=${hiveconf:mapred.job.tracker}; 

set mapred.job.tracker=local; 　

set marped.tmp.dir=/home/edward/tmp; sql 語句 　set mapred.job.tracker=${oldjobtracker};

-- 能夠經過設置屬性hive.exec.mode.local.auto的值爲true，來讓hve在適當的時候自動啓動這個優化，也能夠將這個配置寫在$HOME/.hiverc文件中。

-- 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。

 

七. 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。

 

八. 調整mapper和reducer的個數

1 Map階段優化

map個數的主要的決定因素有： input的文件總個數，input的文件大小，集羣設置的文件塊大小（默認128M，不可自定義）。

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。

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）減小map數

如有大量小文件（小於128M），會產生多個map，處理方法是：

set mapred.max.split.size=100000000; set mapred.min.split.size.per.node=100000000; set mapred.min.split.size.per.rack=100000000;  

-- 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

　set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; -- 執行前進行小文件合併 2）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。

set mapred.reduce.tasks=?

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

九.嚴格模式

set hive.marped.mode=strict ------ 防止用戶執行那些可能意想不到的很差的影響的查詢

-- 分區表，必須選定分區範圍

-- 對於使用order by的查詢，要求必須使用limit語句。由於order by爲了執行排序過程會將全部的結果數據分發到同一個reducer中進行處理。

-- 限制笛卡爾積查詢：兩張表join時必須有on語句

 

十.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

 

 

參考文獻：

1. 《hive編程指南》Edward Capriolo

 

對數據感興趣的小夥伴，歡迎交流，微信公共號:一白侃數