數據分析利器之hive優化十大原則

01-26

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

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

hive在極大數據或者數據不平衡等情況下，表現往往一般，因此也出現了presto、spark-sql等替代品。今天不談其它，就來說說關於hive，個人的一點心得。

一. 表連接優化

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，然後掃描最後那個表。

因此通常需要將小表放前面，或者標記哪張表是大表：/*streamtable(table_name) */

2. 使用相同的連接鍵

當對3個或者更多個表進行join連接時，如果每個on子句都使用相同的連接鍵的話，那麼只會產生一個MapReduce job。

3. 盡量儘早地過濾數據

減少每個階段的數據量,對於分區表要加分區，同時只選擇需要使用到的欄位。

4. 盡量原子化操作

盡量避免一個SQL包含複雜邏輯，可以使用中間表來完成複雜的邏輯

二. 用insert into替換union all

如果union all的部分個數大於2，或者每個union部分數據量大，應該拆成多個insert into 語句，實際測試過程中，執行時間能提升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 ...;

可以改寫為：

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。需要 set hive.mapred.mode=nostrict

sort by : 局部排序，並非全局有序，提高效率。

四. transform+python

一種嵌入在hive取數流程中的自定義函數，通過transform語句可以把在hive中不方便實現的功能在python中實現，然後寫入hive表中。

語法：

select transform({column names1})

using "**.py"

as {column names2}

from {table name}

如果除python腳本外還有其它依賴資源，可以使用ADD ARVHIVE

五. limit 語句快速出結果

一般情況下，Limit語句還是需要執行整個查詢語句，然後再返回部分結果。

有一個配置屬性可以開啟，避免這種情況---對數據源進行抽樣

hive.limit.optimize.enable=true --- 開啟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，為查詢觸發執行任務消耗的時間>實際執行job的時間，因此可以通過本地模式，在單台機器上（或某些時候在單個進程上）處理所有的任務。

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};

-- 可以通過設置屬性hive.exec.mode.local.auto的值為true，來讓hve在適當的時候自動啟動這個優化，也可以將這個配置寫在$HOME/.hiverc文件中。

-- 當一個job滿足如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數必須為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會將一個查詢轉化為一個或多個階段，包括：MapReduce階段、抽樣階段、合併階段、limit階段等。默認情況下，一次只執行一個階段。不過，如果某些階段不是互相依賴，是可以並行執行的。

set hive.exec.parallel=true,可以開啟並發執行。

set hive.exec.parallel.thread.number=16; //同一個sql允許最大並行度，默認為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，集群設置的文件塊大小（默認128M，不可自定義）。

舉例：

a) 假設input目錄下有1個文件a,大小為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,大小分別為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，如果文件大於塊大小(128m),那麼會拆分，如果小於塊大小，則把該文件當成一個塊。

map執行時間：map任務啟動和初始化的時間+邏輯處理的時間。

1）減少map數

若有大量小文件（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;

-- 前面三個參數確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）增加map數

當input的文件都很大，任務邏輯複雜，map執行非常慢的時候，可以考慮增加Map數，來使得每個map處理的數據量減少，從而提高任務的執行效率。

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 = ?

一般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不好的影響的查詢

-- 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。因為order by為了執行排序過程會將所有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，發現只有少量（1個或幾個）reduce子任務未完成。因為其處理的數據量和其他reduce差異過大。

單一reduce的記錄數與平均記錄數差異過大，通常可能達到3倍甚至更多。最長時長遠大於平均時長。

原因

1)、key分布不均勻

2)、業務數據本身的特性

3)、建表時考慮不周

4)、某些SQL語句本身就有數據傾斜

關鍵詞情形後果join其中一個表較小，但是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，但是分桶的判斷欄位0值或空值過多這些空值都由一個reduce處理，灰常慢group bygroup by 維度過小，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