Hive優化總結算法
---by 食人花sql
優化時,把hive sql當作map reduce程序來讀,會有意想不到的驚喜。cookie
理解hadoop的核心能力,是hive優化的根本。這是這一年來,項目組全部成員寶貴的經驗總結。網絡
長期觀察hadoop處理數據的過程,有幾個顯著的特徵:oracle
1.不怕數據多,就怕數據傾斜。框架
2.對jobs數比較多的做業運行效率相對比較低,好比即便有幾百行的表,若是屢次關聯屢次彙總,產生十幾個jobs,沒半小時是跑不完的。map reduce做業初始化的時間是比較長的。oop
3.對sum,count來講,不存在數據傾斜問題。性能
4.對count(distinct ),效率較低,數據量一多,準出問題,若是是多count(distinct )效率更低。測試
優化能夠從幾個方面着手:優化
1. 好的模型設計事半功倍。
2. 解決數據傾斜問題。
3. 減小job數。
4. 設置合理的map reduce的task數,能有效提高性能。(好比,10w+級別的計算,用160個reduce,那是至關的浪費,1個足夠)。
5. 本身動手寫sql解決數據傾斜問題是個不錯的選擇。set hive.groupby.skewindata=true;這是通用的算法優化,但算法優化老是漠視業務,習慣性提供通用的解決方法。 Etl開發人員更瞭解業務,更瞭解數據,因此經過業務邏輯解決傾斜的方法每每更精確,更有效。
6. 對count(distinct)採起漠視的方法,尤爲數據大的時候很容易產生傾斜問題,不抱僥倖心理。本身動手,豐衣足食。
7. 對小文件進行合併,是行至有效的提升調度效率的方法,假如咱們的做業設置合理的文件數,對雲梯的總體調度效率也會產生積極的影響。
8. 優化時把握總體,單個做業最優不如總體最優。
遷移和優化過程當中的案例:
問題1:如日誌中,常會有信息丟失的問題,好比全網日誌中的user_id,若是取其中的user_id和bmw_users關聯,就會碰到數據傾斜的問題。
方法:解決數據傾斜問題
解決方法1. User_id爲空的不參與關聯,例如:
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 :
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;
總結:2比1效率更好,不但io少了,並且做業數也少了。1方法log讀取兩次,jobs是2。2方法job數是1 。這個優化適合無效id(好比-99,’’,null等)產生的傾斜問題。把空值的key變成一個字符串加上隨機數,就能把傾斜的數據分到不一樣的reduce上 ,解決數據傾斜問題。由於空值不參與關聯,即便分到不一樣的reduce上,也不影響最終的結果。附上hadoop通用關聯的實現方法(關聯經過二次排序實現的,關聯的列爲parition key,關聯的列c1和表的tag組成排序的group key,根據parition key分配reduce。同一reduce內根據group key排序)。
問題2:不一樣數據類型id的關聯會產生數據傾斜問題。
一張表s8的日誌,每一個商品一條記錄,要和商品表關聯。但關聯卻碰到傾斜的問題。s8的日誌中有字符串商品id,也有數字的商品id,類型是string的,但商品中的數字id是bigint的。猜想問題的緣由是把s8的商品id轉成數字id作hash來分配reduce,因此字符串id的s8日誌,都到一個reduce上了,解決的方法驗證了這個猜想。
方法:把數字類型轉換成字符串類型
Select * from s8_log a
Left outer join r_auction_auctions b
On a.auction_id = cast(b.auction_id as string);
問題3:利用hive 對UNION ALL的優化的特性
hive對union all優化只侷限於非嵌套查詢。
好比如下的例子:
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;
從業務邏輯上說,子查詢內的group by 怎麼都看顯得多餘(功能上的多餘,除非有count(distinct)),若是不是由於hive bug或者性能上的考量(曾經出現若是不子查詢group by ,數據得不到正確的結果的hive bug)。因此這個hive按經驗轉換成
select * from
(select * from t1
Union all
Select * from t2
) t3
Group by c1,c2,c3;
通過測試,並未出現union all的hive bug,數據是一致的。mr的做業數有3減小到1。
t1至關於一個目錄,t2至關於一個目錄,那麼對map reduce程序來講,t1,t2能夠作爲map reduce 做業的mutli inputs。那麼,這能夠經過一個map reduce 來解決這個問題。Hadoop的計算框架,不怕數據多,就怕做業數多。
但若是換成是其餘計算平臺如oracle,那就不必定了,由於把大的輸入拆成兩個輸入,分別排序彙總後merge(假如兩個子排序是並行的話),是有可能性能更優的(好比希爾排序比冒泡排序的性能更優)。
問題4:好比推廣效果表要和商品表關聯,效果表中的auction id列既有商品id,也有數字id,和商品表關聯獲得商品的信息。那麼如下的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。
比分別過濾數字id,字符串id而後分別和商品表關聯性能要好。
這樣寫的好處,1個MR做業,商品表只讀取一次,推廣效果表只讀取一次。把這個sql換成MR代碼的話,map的時候,把a表的記錄打上標籤a,商品表記錄每讀取一條,打上標籤b,變成兩個<key ,value>對,<b,數字id>,<b,字符串id>。因此商品表的hdfs讀只會是一次。
問題5:先join生成臨時表,在union all仍是寫嵌套查詢,這是個問題。好比如下例子:
Select *
From (select *
From t1
Uion all
select *
From t4
Union all
Select *
From t2
Join t3
On t2.id = t3.id
) x
Group by c1,c2;
這個會有4個jobs。假如先join生成臨時表的話t5,而後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) ;
hive在union all優化上能夠作得更智能(把子查詢當作臨時表),這樣能夠減小開發人員的負擔。出現這個問題的緣由應該是union all目前的優化只侷限於非嵌套查詢。若是寫MR程序這一點也不是問題,就是multi inputs。
問題6:使用map join解決數據傾斜的常景下小表關聯大表的問題,但若是小表很大,怎麼解決。這個使用的頻率很是高,但若是小表很大,大到map join會出現bug或異常,這時就須要特別的處理。雲瑞和玉璣提供了很是給力的解決方案。如下例子:
Select * from log a
Left outer join members b
On a.memberid = b.memberid.
Members有600w+的記錄,把members分發到全部的map上也是個不小的開銷,並且map join不支持這麼大的小表。若是用普通的join,又會碰到數據傾斜的問題。
解決方法:
Select /*+mapjoin(x)*/* from log a
Left outer join (select /*+mapjoin(c)*/d.*
From (select distinct memberid from log ) c
Join members d
On c.memberid = d.memberid
)x
On a.memberid = b.memberid。
先根據log取全部的memberid,而後mapjoin 關聯members取今天有日誌的members的信息,而後在和log作mapjoin。
假如,log裏memberid有上百萬個,這就又回到原來map join問題。所幸,每日的會員uv不會太多,有交易的會員不會太多,有點擊的會員不會太多,有佣金的會員不會太多等等。因此這個方法能解決不少場景下的數據傾斜問題。
問題7:HIVE下通用的數據傾斜解決方法,double被關聯的相對較小的表,這個方法在mr的程序裏經常使用。仍是剛纔的那個問題:
Select * from log a
Left outer join (select /*+mapjoin(e)*/
memberid, number
From members d
Join num e
) b
On a.memberid= b.memberid
And mod(a.pvtime,30)+1=b.number。
Num表只有一列number,有30行,是1,30的天然數序列。就是把member表膨脹成30份,而後把log數據根據memberid和pvtime分到不一樣的reduce裏去,這樣能夠保證每一個reduce分配到的數據能夠相對均勻。就目前測試來看,使用mapjoin的方案性能稍好。後面的方案適合在map join沒法解決問題的狀況下。
長遠設想,把以下的優化方案作成通用的hive優化方法
1. 採樣log表,哪些memberid比較傾斜,獲得一個結果表tmp1。因爲對計算框架來講,全部的數據過來,他都是不知道數據分佈狀況的,因此採樣是並不可少的。Stage1
2. 數據的分佈符合社會學統計規則,貧富不均。傾斜的key不會太多,就像一個社會的富人很少,奇特的人很少同樣。因此tmp1記錄數會不多。把tmp1和members作map join生成tmp2,把tmp2讀到distribute file cache。這是一個map過程。Stage2
3. map讀入members和log,假如記錄來自log,則檢查memberid是否在tmp2裏,若是是,輸出到本地文件a,不然生成<memberid,value>的key,value對,假如記錄來自member,生成<memberid,value>的key,value對,進入reduce階段。Stage3.
4. 最終把a文件,把Stage3 reduce階段輸出的文件合併起寫到hdfs。
這個方法在hadoop裏應該是能實現的。Stage2是一個map過程,能夠和stage3的map過程能夠合併成一個map過程。
這個方案目標就是:傾斜的數據用mapjoin,不傾斜的數據用普通的join,最終合併獲得完整的結果。用hive sql寫的話,sql會變得不少段,並且log表會有屢次讀。傾斜的key始終是不多的,這個在絕大部分的業務背景下適用。那是否能夠做爲hive針對數據傾斜join時候的通用算法呢?
問題8:多粒度(平級的)uv的計算優化,好比要計算店鋪的uv。還有要計算頁面的uv,pvip.
方案1:
Select shopid,count(distinct uid)
From log group by shopid;
Select pageid, count(distinct uid),
From log group by pageid;
因爲存在數據傾斜問題,這個結果的運行時間是很是長的。
方案二:
From log
Insert overwrite table t1 (type=’1’)
Select shopid
Group by shopid ,acookie
Insert overwrite table t1 (type=’2’)
Group by pageid,acookie;
店鋪uv:
Select shopid,sum(1)
From t1
Where type =’1’
Group by shopid ;
頁面uv:
Select pageid,sum(1)
From t1
Where type =’1’
Group by pageid ;
這裏使用了multi insert的方法,有效減小了hdfs讀,但multi insert會增長hdfs寫,多一次額外的map階段的hdfs寫。使用這個方法,能夠順利的產出結果。
方案三:
Insert into t1
Select type,type_name,’’ as uid
From (
Select ‘page’ as type,
Pageid as type_name,
Uid
From log
Union all
Select ‘shop’ as type,
Shopid as type_name,
Uid
From log ) y
Group by type,type_name,uid;
Insert into t2
Select type,type_name,sum(1)
From t1
Group by type,type_name;
From t2
Insert into t3
Select type,type_name,uv
Where type=’page’
Select type,type_name,uv
Where type=’shop’ ;
最終獲得兩個結果表t3,頁面uv表,t4,店鋪結果表。從io上來講,log一次讀。但比方案2少次hdfs寫(multi insert有時會增長額外的map階段hdfs寫)。做業數減小1個到3,有reduce的做業數由4減小到2,第三步是一個小表的map過程,分下表,計算資源消耗少。但方案2每一個都是大規模的去重彙總計算。
這個優化的主要思路是,map reduce做業初始化話的時間是比較長,既然起來了,讓他多幹點活,順便把頁面按uid去重的活也幹了,省下log的一次讀和做業的初始化時間,省下網絡shuffle的io,但增長了本地磁盤讀寫。效率提高較多。
這個方案適合平級的不須要逐級向上彙總的多粒度uv計算,粒度越多,節省資源越多,比較通用。
問題9:多粒度,逐層向上彙總的uv結算。好比4個維度,a,b,c,d,分別計算a,b,c,d,uv;
a,b,c,uv;a,b,uv;a;uv,total uv4個結果表。這能夠用問題8的方案二,這裏因爲uv場景的特殊性,多粒度,逐層向上彙總,就可使用一次排序,全部uv計算受益的計算方法。
案例:目前mm_log日誌一天有25億+的pv數,要從mm日誌中計算uv,與ipuv,一共計算
三個粒度的結果表
(memberid,siteid,adzoneid,province,uv,ipuv) R_TABLE_4
(memberid,siteid,adzoneid,uv,ipuv) R_TABLE_3
(memberid,siteid,uv,ipuv) R_TABLE_2
第一步:按memberid,siteid,adzoneid,province,使用group去重,產生臨時表,對cookie,ip
打上標籤放一塊兒,一塊兒去重,臨時表叫T_4;
Select memberid,siteid,adzoneid,province,type,user
From(
Select memberid,siteid,adzoneid,province,‘a’ type ,cookie as user from mm_log where ds=20101205
Union all
Select memberid,siteid,adzoneid,province,‘i’ type ,ip as user from mm_log where ds=20101205
) x group by memberid,siteid,adzoneid,province,type,user ;
第二步:排名,產生表T_4_NUM.Hadoop最強大和核心能力就是parition 和 sort.按type,acookie分組,
Type,acookie,memberid,siteid,adzoneid,province排名。
Select * ,
row_number(type,user,memberid,siteid,adzoneid ) as adzone_num ,
row_number(type,user,memberid,siteid ) as site_num,
row_number(type,user,memberid ) as member_num,
row_number(type,user ) as total_num
from (select * from T_4 distribute by type,user sort by type,user, memberid,siteid,adzoneid ) x;
這樣就能夠獲得不一樣層次粒度上user的排名,相同的user id在不一樣的粒度層次上,排名等於1的記錄只有1條。取排名等於1的作sum,效果至關於Group by user去重後作sum操做。
第三步:不一樣粒度uv統計,先從最細粒度的開始統計,產生結果表R_TABLE_4,這時,結果集只有10w的級別。
如統計memberid,siteid,adzoneid,provinceid粒度的uv使用的方法就是
Select memberid,siteid,adzoneid, provinceid,
sum(case when type =’a’ then cast(1) as bigint end ) as province_uv ,
sum(case when type =’i’ then cast(1) as bigint end ) as province_ip ,
sum(case when adzone_num =1 and type =’a’ then cast(1) as bigint end ) as adzone_uv ,
sum(case when adzone_num =1 and type =’i’ then cast(1) as bigint end ) as adzone_ip ,
sum(case when site_num =1 and type =’a’ then cast(1) as bigint end ) as site_uv ,
sum(case when site_num =1 and type =’i’ then cast(1) as bigint end ) as site_ip ,
sum(case when member_num =1 and type =’a’ then cast(1) as bigint end ) as member_uv ,
sum(case when member_num =1 and type =’i’ then cast(1) as bigint end ) as member_ip ,
sum(case when total_num =1 and type =’a’ then cast(1) as bigint end ) as total_uv ,
sum(case when total_num =1 and type =’i’ then cast(1) as bigint end ) as total_ip ,
from T_4_NUM
group by memberid,siteid,adzoneid, provinceid ;
廣告位粒度的uv的話,從R_TABLE_4統計,這是源表作10w級別的統計
Select memberid,siteid,adzoneid,sum(adzone_uv),sum(adzone_ip)
From R_TABLE_4
Group by memberid,siteid,adzoneid;
memberid,siteid的uv計算 ,
memberid的uv計算,
total uv 的計算也都從R_TABLE_4彙總。