标签:target click sele 问题 else 文件合并 column 聚合操作 fileinput
下面是hive使用过程中一些调优策略? Fetch抓取是指,Hive中对某些情况的查询可以不必使用MapReduce计算。例如:SELECT * FROM employees;在这种情况下,Hive可以简单地读取employee对应的存储目录下的文件,然后输出查询结果到控制台。
? 在hive-default.xml.template文件中hive.fetch.task.conversion默认是more,老版本hive默认是minimal,该属性修改为more以后,在全局查找、字段查找、limit查找等都不走mapreduce。
<property>
<name>hive.fetch.task.conversion</name>
<value>more</value>
<description>
Expects one of [none, minimal, more].
Some select queries can be converted to single FETCH task minimizing latency.
Currently the query should be single sourced not having any subquery and should not have
any aggregations or distincts (which incurs RS), lateral views and joins.
0. none : disable hive.fetch.task.conversion 禁用fetch抓取
1. minimal : SELECT STAR, FILTER on partition columns, LIMIT
只有select分区字段,以及limit时才能使用fetch(不走MapReduce)
2. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)
字段查找,limit都不走MapReduce
</description>
</property>
也可以通过在hive命令行下临时修改该参数的值:
hive (default)> set hive.fetch.task.conversion=more;
? 有时Hive的输入数据量是非常小的。在这种情况下,为查询触发执行任务消耗的时间可能会比实际job的执行时间要多的多。对于大多数这种情况,Hive可以通过本地模式在单台机器上处理所有的任务。对于小数据集,执行时间可以明显被缩短。即只启动一个map和reduce任务,且在单台主机上执行。相关参数设置如下:
//开启本地mr,自动根据下面的配置决定是否使用本地模式
set hive.exec.mode.local.auto=true;
//设置local mr的最大输入数据量,当输入数据量小于这个值时采用local mr的方式,默认为134217728bytes,即128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;
//设置local mr的最大输入文件个数,当输入文件个数小于这个值时采用local mr的方式,默认为4
set hive.exec.mode.local.auto.input.files.max=10;
? 将key相对分散,并且数据量小的表放在join的左边,这样可以有效减少内存溢出错误发生的几率,因为是将左边的表先读取的;再进一步,可以使用Group变小的维度表(1000条以下的记录条数)先进内存。在map端完成reduce。
实际测试发现:新版的hive已经对小表JOIN大表和大表JOIN小表进行了优化。小表放在左边和右边已经没有明显区别。
这个实验过程中可以打开hadoop的jobhistory server来查看job的执行情况,包括执行的时间等。
配置 mapred-site.xml
<property>
<name>mapreduce.jobhistory.address</name>
<value>bigdata111:10020</value>
</property>
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>bigdata111:19888</value>
</property>
启动历史服务器:
mr-jobhistory-daemon.sh start historyserver
进入historyserver 的web页面:
http://192.168.1.102:19888
? 图 3.1 hive大表join结果图
可以看到job结果有很多执行结果状态参数,比如执行时间等。
? 有时join超时是因为某些key对应的数据太多,而相同key对应的数据都会发送到相同的reducer上,从而导致内存不够。此时我们应该仔细分析这些异常的key,很多情况下,这些key对应的数据是异常数据,我们需要在SQL语句中进行过滤。比如说key是null,如果是异常数据的话,就应该过滤掉。例如:
insert overwrite table jointable
select n.* from (select * from nullidtable where id is not null ) n left join ori o on n.id = o.id;
这里就事先对 nullidtable 表中 id 为null 的行过滤掉。
但是要注意,确定key是null的数据是无效数据时才过滤,如果是有效数据就不能采用这种方式了
? 有时虽然某个key为空对应的数据很多,但是相应的数据不是异常数据,必须要包含在join的结果中,此时我们可以表a中key为空的字段赋一个随机的值,使得数据随机均匀地分不到不同的reducer上。例如:
insert overwrite table jointable
select n.* from nullidtable n full join ori o on
case when n.id is null then concat(‘hive‘, rand()) else n.id end = o.id;
使用 case when xxx then value1 else id end 语句判断id是否为空,为空则用随机数替代,否则直接
? 如果不指定MapJoin或者不符合MapJoin的条件,那么Hive解析器会将Join操作转换成Common Join,即:在Reduce阶段完成join。容易发生数据倾斜。可以用MapJoin把小表全部加载到内存在map端进行join,避免reducer处理。
? 我们可以指定当小表超过多少时采用reduce join,小于就采用map join
(1)设置自动选择Mapjoin
set hive.auto.convert.join = true; 默认为true
(2)大表小表的阈值设置(默认25M一下认为是小表):
set hive.mapjoin.smalltable.filesize=25000000;
? 采取reduce聚合默认情况下,Map阶段同一Key数据分发给一个reduce,当一个key数据过大时就倾斜了。并不是所有的聚合操作都需要在Reduce端完成,很多聚合操作都可以先在Map端进行部分聚合,最后在Reduce端得出最终结果。
(1)是否在Map端进行聚合,默认为True
hive.map.aggr = true
(2)在Map端进行聚合操作的条目数目
hive.groupby.mapaggr.checkinterval = 100000
(3)有数据倾斜的时候进行负载均衡(默认是false)
hive.groupby.skewindata = true
当这一项设置为true时,生成的查询计划会有两个MR Job。第一个MR Job中,Map的输出结果会随机分布到Reduce中,每个Reduce做部分聚合操作,并输出结果,这样处理的结果是相同的Group By Key有可能被分发到不同的Reduce中,从而达到负载均衡的目的;第二个MR Job再根据预处理的数据结果按照Group By Key分布到Reduce中(这个过程可以保证相同的Group By Key被分布到同一个Reduce中),最后完成最终的聚合操作。
普通情况选,我们统计去重后的数据行数时,是这样的统计的:
select count(distinct id) from bigtable;
这种方式有一个巨大的缺陷,因为是整体去重的,所以MapReduce时,无法使用多个reducer任务,如果使用了,就变成局部去重,但整体不能保证去重。这样的话一个reducer 的负载其实是很大的,可以采用下面的方式优化:
select count(id) from (select id from bigtable group by id) a;
先启动MapReduce根据id进行group by,这个过程中其实已经去重了,而且group by中是可以用多个reducer任务,这样的就可以减轻单个reducer 的压力。接着再启动另外一个MapReduce,用于count统计group by之后的数据的行数。所以这里是变成两个MapReduce job执行的任务,所以要注意仅当数据量大时采用这种方式,否则多任务的调度反而占用更多资源,并且效率也不好。
列过滤:尽量不使用select * 而是指定要查询的字段
行过滤:在我们进行外部join时,如果某个表要过滤到某些行。要先在join之前进行过滤,不要两表join之后再过滤,因为join之后数据量比原来增大了,过滤要更久。
join之后过滤:
select o.id from bigtable b
join ori o on o.id = b.id
where o.id <= 10;
所以where语句不要放在join之后,这是不好的,大数据量的时候耗时很长
join之前过滤:
select b.id from bigtable b
join (select id from ori where id <= 10 ) o on b.id = o.id;
这里就是先对ori表进行id列的过滤,过滤后的数据再和bigtable表join
? 如果hive表是一张分区表,一般情况下,我们进行insert插入时间时,需要明显指定插入到哪个分区中。而如果开启了动态分区,那么就会根据导入数据的分区字段,自动导入到指定分区,如果分区不存在,就自动创建。
(1)开启动态分区功能(默认true,开启)
hive.exec.dynamic.partition=true
(2)设置为非严格模式(动态分区的模式,默认strict,表示必须指定至少一个分区为静态分区,nonstrict模式表示允许所有的分区字段都可以使用动态分区。)
hive.exec.dynamic.partition.mode=nonstrict
(3)在所有执行MR的节点上,最大一共可以创建多少个动态分区。
hive.exec.max.dynamic.partitions=1000
(4)在每个执行MR的节点上,最大可以创建多少个动态分区。该参数需要根据实际的数据来设定。比如:源数据中包含了一年的数据,即day字段有365个值,那么该参数就需要设置成大于365,如果使用默认值100,则会报错。
hive.exec.max.dynamic.partitions.pernode=100
(5)整个MR Job中,最大可以创建多少个HDFS文件。
hive.exec.max.created.files=100000
(6)当有空分区生成时,是否抛出异常。一般不需要设置。
hive.error.on.empty.partition=false
例子:
需求:将ori中的数据按照时间(如:20111230000008),插入到目标表ori_partitioned_target的相应分区中
(1)创建分区表
create table ori_partitioned(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string)
partitioned by (p_time bigint)
row format delimited fields terminated by ‘\t‘;
(2)加载数据到分区表中
hive (default)> load data local inpath ‘/opt/module/datas/ds1‘ into table ori_partitioned partition(p_time=‘20111230000010‘) ;
hive (default)> load data local inpath ‘/opt/module/datas/ds2‘ into table ori_partitioned partition(p_time=‘20111230000011‘) ;
(3)创建目标分区表
create table ori_partitioned_target(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) PARTITIONED BY (p_time STRING) row format delimited fields terminated by ‘\t‘;
(4)设置动态分区
set hive.exec.dynamic.partition = true;
set hive.exec.dynamic.partition.mode = nonstrict;
set hive.exec.max.dynamic.partitions = 1000;
set hive.exec.max.dynamic.partitions.pernode = 100;
set hive.exec.max.created.files = 100000;
set hive.error.on.empty.partition = false;
hive (default)> insert overwrite table ori_partitioned_target partition (p_time)
select id, time, uid, keyword, url_rank, click_num, click_url, p_time from ori_partitioned;
? 这个问题在MapReduce中说过了,默认是按每个文件一个整体去切片的,一个文件至少是一个切片,大量小文件时,势必产生很多map任务。这个问题在hive中也是一样的。
解决方案:
在map执行前合并小文件,减少map数:CombineHiveInputFormat具有对小文件进行合并的功能(系统默认的格式)。HiveInputFormat没有对小文件合并功能。
set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
? 当每个map执行都非常缓慢时,可能是因为处理逻辑复杂,这时候可以考虑将切片大小设置的小点,增加map数目,减轻每个map工作量。
? 增加map的方法为:根据computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M公式,调整maxSize最大值。让maxSize最大值低于blocksize就可以增加map的个数。
设置最大切片值为100个字节
hive (default)> set mapreduce.input.fileinputformat.split.maxsize=100;
这里只是例子,具体设置为多大,根据具体情况决定
调整方式:
(1)每个Reduce处理的数据量默认是256MB
hive.exec.reducers.bytes.per.reducer=256000000
(2)每个任务最大的reduce数,默认为1009
hive.exec.reducers.max=1009
(3)计算reducer数的公式
N=min(参数2,总输入数据量/参数1)
要注意:
1)过多的启动和初始化reduce也会消耗时间和资源;
2)另外,有多少个reduce,就会有多少个输出文件,如果生成了很多个小文件,那么如果这些小文件作为下一个任务的输入,则也会出现小文件过多的问题;
在设置reduce个数的时候也需要考虑这两个原则:处理大数据量利用合适的reduce数;使单个reduce任务处理数据量大小要合适;
? Hive会将一个查询转化成一个或者多个阶段。这样的阶段可以是MapReduce阶段、抽样阶段、合并阶段、limit阶段。或者Hive执行过程中可能需要的其他阶段。默认情况下,Hive一次只会执行一个阶段。不过,某个特定的job可能包含众多的阶段,而这些阶段可能并非完全互相依赖的,也就是说有些阶段是可以并行执行的,这样可能使得整个job的执行时间缩短。不过,如果有更多的阶段可以并行执行,那么job可能就越快完成。
? 通过设置参数hive.exec.parallel值为true,就可以开启并发执行。不过,在共享集群中,需要注意下,如果job中并行阶段增多,那么集群利用率就会增加。
set hive.exec.parallel=true; //打开任务并行执行
set hive.exec.parallel.thread.number=16; //同一个sql允许最大并行度,默认为8。
? Hive提供了一个严格模式,可以防止用户执行那些可能意向不到的不好的影响的查询。通过设置属性hive.mapred.mode值为默认是非严格模式nonstrict 。开启严格模式需要修改hive.mapred.mode值为strict,开启严格模式可以禁止3种类型的查询。
<property>
<name>hive.mapred.mode</name>
<value>strict</value>
<description>
The mode in which the Hive operations are being performed.
In strict mode, some risky queries are not allowed to run. They include:
Cartesian Product.
No partition being picked up for a query.
Comparing bigints and strings.
Comparing bigints and doubles.
Orderby without limit.
</description>
</property>
限制以下三种情况的sql语句的执行:
1)对于分区表,除非where语句中含有分区字段过滤条件来限制范围,否则不允许执行。换句话说,就是用户不允许扫描所有分区。进行这个限制的原因是,通常分区表都拥有非常大的数据集,而且数据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表。
2)对于使用了order by语句的查询,要求必须使用limit语句。因为order by为了执行排序过程会将所有的结果数据分发到同一个Reducer中进行处理,强制要求用户增加这个LIMIT语句可以防止Reducer额外执行很长一段时间。
3)限制笛卡尔积的查询。对关系型数据库非常了解的用户可能期望在执行JOIN查询的时候不使用ON语句而是使用where语句,这样关系数据库的执行优化器就可以高效地将WHERE语句转化成那个ON语句。不幸的是,Hive并不会执行这种优化,因此,如果表足够大,那么这个查询就会出现不可控的情况。
? JVM重用是Hadoop调优参数的内容,其对Hive的性能具有非常大的影响,特别是对于很难避免小文件的场景或task特别多的场景,这类场景大多数执行时间都很短。
? Hadoop的默认配置通常是使用派生JVM来执行map和Reduce任务的。这时JVM的启动过程可能会造成相当大的开销,尤其是执行的job包含有成百上千task任务的情况。JVM重用可以使得JVM实例在同一个job中重新使用N次。N的值可以在Hadoop的mapred-site.xml文件中进行配置。通常在10-20之间,具体多少需要根据具体业务场景测试得出。
<property>
<name>mapreduce.job.jvm.numtasks</name>
<value>10</value>
<description>How many tasks to run per jvm. If set to -1, there is
no limit.
</description>
</property>
? 当前这个也有缺点,这个功能的缺点是,开启JVM重用将一直占用使用到的task插槽,以便进行重用,直到任务完成后才能释放,也就说等整个job执行完毕后,占用的所有jvm才会释放。如果某个“不平衡的”job中有某几个reduce task执行的时间要比其他Reduce task消耗的时间多的多的话,那么整个job保留的插槽就会一直空闲着却无法被其他的job使用,直到所有的task都结束了才会释放。
关于MapReduce的推测执行见MapReduce部分的推测执行相关的内容,这里不重复。
而hive自己也有提供了配置项来控制reduce-side的推测执行:
<property>
<name>hive.mapred.reduce.tasks.lative.execution</name>
<value>true</value>
<description>Whether speculative execution for reducers should be turned on. </description>
</property>
? 关于调优这些推测执行变量,还很难给一个具体的建议。如果用户对于运行时的偏差非常敏感的话,那么可以将这些功能关闭掉。如果用户因为输入数据量很大而需要执行长时间的map或者Reduce task的话,那么启动推测执行造成的浪费是非常巨大大。
这个可以看“hive--基本原理”中压缩相关内容。主要就是从减少map和reduce传递的数据量,以及减少reduce输出文件的大小进行优化。
执行sql任务时,可以使用 explain查看执行的预计过程,看看有没有可优化的点。
(1)查看下面这条语句的执行计划
hive (default)> explain select * from emp;
(2)查看详细执行计划
hive (default)> explain extended select * from emp;
标签:target click sele 问题 else 文件合并 column 聚合操作 fileinput
原文地址:https://blog.51cto.com/kinglab/2447321