本文共 6142 字，大约阅读时间需要 20 分钟。

参考文档

基本思想

• HQL优化，本质是对MR/RDD的优化，可以通过explain hql来查看执行计划

常见思路

• 表优化
  • 分区（分区多，文件多）
    • 静态分区
    • 动态分区

      set hive.exec.dynamic.partition=true;set hive.exec.dynamic.partition.mode=nonstrict;
  • 分桶
    • 规则：对分桶字段值进行哈希，哈希值除以桶的个数求余，余数决定了该条记录在哪个桶中，也就是余数相同的在一个桶中
    • 好处
      • 方便抽样
      • 提高join的效率：若join的两张表有相同的列，且该列均进行了分桶，则join时将相同值的桶进行join操作即可，大大减少join的数据量

    set hive.enforce.bucketing=true;set hive.enforce.sorting=true;  # 开启强制排序，插数据到表中会进行强制排序，默认false
• query优化
  • IO
    • 只查询需要的列
    • 尽可能用分区表，避免全表扫描
  • 数据倾斜
    • join

      set hive.optimize.skewjoin=true;  # 如果是join过程中出现倾斜 应该设置为trueset hive.skewjoin.key=100000;   # 这个是join的键对应的记录条数，超过这个值则会进行优化

    • group by

      set hive.group.skewindata=true;   # 如果是group by过程出现倾斜，应该设置为trueset hive.groupby.mapaggr.checkinterval=100000;  # 这个是group的键对应的记录条数超过这个值则会进行优化

    • count distinct：执行的MR是以GroupBy分组,再对distinct列排序,然后输出交给Reduce，所以，在reduce之前，本地的map已经完成预计算，并且提前做了一次聚合运算，如果此时的distinct造成了数据不平衡，则reduce时就会出现计算的数据量有大有小，即数据倾斜
      • 解决方法：考虑用group by的子查询来替换count(distinct)

        # 替换前select count(distinct id) from tablename;select a, sum(b), count(distinct c), count(distinct d) from test group by a;# 替换后select count(1) from (select id from tablename group by id) tmp;select a, sum(b) as b, count(c) as c, count(d) as dfrom(select a,0 as b, c, null as d from test group by a,cunion allselect a,0  as b, null as c, d from test group by a, dunion allselect a,b,null as c, null as d from test)tmp1 group by a;          ```
    • 常见值(null， 0， 1， -1， -99等默认值)：如果常见值的占比比较大时，较容易出现数据倾斜
  • 表关联
    • 大表放后：MR从后往前构建数据
    • 同列关联：如可能,用同一列关联 同列关联,无论关联多少表都是一个Map搞定,如果不是同列,就会新开一个MR
    • mapjoin
      • 关联操作中有一张小表
      • 不等值的连接操作

      set hive.auto.convert.join=true;  #  hive.mapjoin.smalltable.filesize默认值是25mb，小表小于25mb自动启动mapjoin

    • bucket join
      • 两个表以相同方式划分桶
      • 两个表的桶个数是倍数关系

      # 优化前select m.cid, u.idfrom order m  join customer u on m.cid = u.idwhere m.dt='2018-06-08'# 优化后： where条件放在map端，而不是reduce端select m.cid, u.idfrom  (select cid from order where dt = '2018-06-08') m join customer u on m.cid = u.id;
  • Hive job优化
    • 并行化执行：关联性不大的阶段，可以并行化执行

      set hive.exec.parallel=true;set hive.exec.parallel.thread.number=8;

    • 本地化执行

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

      • join满足如下条件才可用本地模式
        • job的输入数据大小必须小于参数：hive.exec.mode.local.auto.inputbytes.max(默认128MB)
        • job的map数必须小于参数：hive.exec.mode.local.auto.tasks.max(默认4)
        • job的reduce数必须为0或1
    • 小文件合并：合并文件数由mapred.max.split.size限制的大小决定
      • 合并输入

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

      • 合并输出

        set hive.merge.smallfiles.avgsize=256000000;  # 当输出文件平均大小小于该值，启动新job合并文件set hive.merge.size.per.task=64000000;  # 合并之后的文件大小
  • JVM重利用：Job长时间保留slot,直到作业结束。若有较多任务和较多小文件的任务时，该参数很有意义：减少执行时间。但此值不宜过大，有些作业会有reduce任务，一旦没有完成，则map占用slot不会释放，其它作业需要等待

    set mapred.job.reuse.jvm.num.tasks=20;

  • 压缩数据
    • 中间压缩：处理hive查询的多个job之间的数据，进行压缩

      set hive.exec.compress.intermediate=true;set hive.intermediate.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;set hive.intermediate.compression.type=BLOCK;

    • 输出压缩

      set hive.exec.compress.output=true;set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;set mapred.output.compression.type=BLOCK;
  • Hive Map优化
    • map参数
      • 原则
        • 如果想增加map个数，则设置mapred.map.tasks为一个较大的值
        • 如果想减少map个数，则设置mapred.min.split.size为一个较大的值
        • 输入文件size巨大，但不是小文件：增大mapred.min.split.size的值
        • 输入文件数量巨大，且都是小文件，就是单个文件的size小于blockSize：增大mapred.min.split.size不可行，需要使用CombineFileInputFormat将多个input path合并成一个InputSplit送给mapper处理，从而减少mapper的数量
      • 参数

        # 默认map个数default_num = total_size / block_size;# 期望大小goal_num = mapred.map.tasks;# 设置处理的文件大小split_size=max(mapred.min.split.size, block_size)split_num = total_size / split_size;# 计算map个数compute_map_num = min(split_num, max(default_num, goal_num))          ```
    • map端聚合

      set hive.map.aggr=true;

    • 推测执行

      mapred.map.tasks.speculative.execution  # 默认为true
  • shuffle优化
    • map端参数

      # 默认100M。map节点运行没完成时，若内存数据过多，该设置就是内存缓冲的大小，在shuffle之前该项定了map输出结果在内存占用buffer的大小，当buffer达到阈值，则启动后台线程对buffer内存sort，然后spill到硬盘io.sort.mb  # 上面参数buffer的阈值，默认0.8（80%）io.sort.spill.percent  # 默认值3。当spill数量不低于该值时，则combiner函数会在merge产生结果文件之间运行min.num.spill.for.combine  # 默认10。当一个map task执行完成后，本地磁盘上有若干spill文件，map task最后一件事就是执行merge sort，执行时每次同时打开多个spill文件，同时打开的文件数量由该值决定。说明：打开的文件越多，不一定merge sort就越快，也要根据数据情况适当的调整io.sort.factor  # 默认值0.05。io.sort.mb中用来保存map output记录边界的百分比，其他缓存用来保存数据io.sort.record.percent

    • reduce端参数

      # 默认5，reduce copy数据的线程数mapred.reduce.parallel.copies  # 默认 300(s)。reduce下载线程最大等待时间mapred.reduce.copy.backoff  # 默认0.7(70%)。Reduce用来存放从Map节点取过来的数据所用的内存占堆内存的比例mapred.job.shuffle.input.buffer.percent  # 默认值0。sort完成后reduce计算阶段用来缓存数据的百分比mapred.job.reduce.input.buffer.percent
  • reduce优化
    • reduce操作
      • 聚合函数：sum, count, distinct …
      • 高级查询：group by; join; distribute by; cluster by; order by…
    • 推测执行：默认为true

      mapred.reduce.tasks.speculative.execution  # hadoophive.mapred.reduce.tasks.speculative.execution  # hive，二者效果一样，二选一即可

    • reduce优化

      set mapred.reduce.tasks=10;  # 直接设置hive.exec.reducers.max   # 默认999hive.exec.reducers.bytes.per.reducer   # 默认1G

    • 计算公式

      numTasks = min(maxReducers, input.size / perReducer)maxReducers = hive.exec.reducers.maxperReducer=hive.exec.reducers.bytes.per.reducer
  • 相关参数
    • hive

      # Hive 自动转换联接无条件(mapjoin)大小，默认20Mhive.auto.convert.join.noconditionaltask.size#  小文件平均大小合并阈值。默认16Mhive.merge.smallfiles.avgsize# Spark 执行程序最大 Java 堆栈大小。默认256Mspark.executor.memory# Spark 驱动程序最大 Java 堆栈大小。默认256Mspark.driver.memory# Spark 驱动程序内存开销。默认26Mspark.yarn.driver.memoryOverhead# Spark 驱动程序内存开销。默认26Mspark.yarn.executor.memoryOverhead

    • yarn

      # 每个作业的 Reduce 任务的默认数量，默认1mapreduce.job.reduces# 容器内存。默认8Gyarn.nodemanager.resource.memory-mb# 最大容器内存。默认64Gyarn.scheduler.maximum-allocation-mb#  最大容器虚拟 CPU 内核数量。默认32yarn.scheduler.maximum-allocation-vcores

Explain执行计划

• 不走MR
  • SQL

    explainselect date, week, week_num, quarter, rank, pay_amt, pct_rank from home_page_pay_rankwhere year='2020'

  • explain

    1	  STAGE DEPENDENCIES:2	  Stage-0 is a root stage3	4	STAGE PLANS:5	  Stage: Stage-06	    Fetch Operator7	      limit: -18	      Processor Tree:9	        TableScan10	          alias: home_page_pay_rank11	          filterExpr: (year = '2020') (type: boolean)12	          Select Operator13	            expressions: date (type: string), week (type: string), week_num (type: string), quarter (type: string), rank (type: int), pay_amt (type: string), pct_rank (type: string)14	            outputColumnNames: _col0, _col1, _col2, _col3, _col4, _col5, _col615	            ListSink16

转载地址：https://blog.csdn.net/fish2009122/article/details/106355012 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！