本文共 3785 字,大约阅读时间需要 12 分钟。
一、表链接优化
1.将大表放最后
Hive假定查询中最后一个表是大表,他会将其他表先缓存起来,然后扫描最后那个表。
因此通常需要将小表放在前面,或者标记那张表是大表:/*streamtable(table_name)*/
2.使用相同的链接键
当对3个或者更多个表进行join连接时,如果每个on子句都是用相同的连接键的话,那么只会产生一个MapReduce job。
3.尽量尽早地过滤数据
减少每个阶段的数据量,对于分区表要加分区,同时只选择需要使用的字段。
4.尽量原子化操作
尽量避免一个sql包含复杂的逻辑,可以使用中间表来完成复杂的逻辑。
二、使用insert into替换union all
如果union all的部分个数大于2,或者每个union部分数据量大,应该拆成多个insert into语句,实际测试过程中,执行时间能提升50%
例如:
insert overwrite table tableName partition (dt='2018-03-13')
select ... from (select ... from tableName1
union all
select ... from tableName2 union all select ... from tableName3)temp
where ...;
可以改写成:
insert into table tableName partition (dt = '2018-03-13') select ... from tableName1 where ...;
insert into table tableName partition (dt = '2018-03-13') select ... from tableName2 where ...;
insert into table tableName partition (dt = '2018-03-13') select ... from tableName3 where ...;
三、order by 和 sort by
order by:对查询结果进行全局排序,消耗时间长,需要设置参数(set hive.mapred.mode=nostrict)。
sort by:局部排序,并非全局排序,提高效率。
四、transform+python
一种嵌入在hive取数据流程中的自定义函数,通过transform语句可以把在hive中不方便实现的功能在python中实现,然后写入hive表中。
语法:
select transform({column names1})
useing '**.py'
as {column names2}
from {table name}
如果除python脚本外还有其他依赖资源,可以使用ADD ARVHIVE
五、limit语句快速出结果
一般情况下,limit语句还是需要执行整个查询语句,然后再返回部分结果。
有一个配置属性可以开启,避免这种情况---对数据源及逆行抽样
hive.limit.optimize.enable=true --- 开启对数据源进行采样的功能
hive.limit.row.max.size --- 设置最小的采样容量
hive.limit.optimize.limit.file --- 设置最大的采样样本数
缺点:有可能部分数据永远不会被处理到
六、本地模式
对于小数据集,为查询触发执行任务消耗时间>实际执行job的时间,因此可以通过本地模式,在单台机器上(活某些时候在单个进程上)处理所有的任务。
set oldjobtracker=${hiveconf:mapred.job.tracker};
set mapred.job.tracker=local;
set mapred.tmp.dir=/home/edward/tmp;
sql语句
set mapred.job.tracker=${oldjobtracker};
--可以通过设置属性hive.exec.mode.local.auto的之为true,来让hive在适当的时候自动启动这个优化,也可以将这个配置写在$HOME/.hiverc文件中。
--当一个job满足如下条件才能真正使用本地模式:
1.job的输入数据大小必须小于参数:hive.exec.mode.local.auto.inputbytes.max(默认128MB)
2.job的map数必须小于参数:hive.exec.mode.local.auto.tasks.max(默认4)
3.job的reduce数必须为0或者1
可用参数hive.mapred.local.mem(默认0)控制child jvm使用的最大内存数。
七、并行执行
hive会将一个查询转化为一个或多个阶段,包括:MapReduce阶段、抽样阶段、合并阶段、limit阶段等。默认情况下,一次只执行一个阶段。不过,如果某些阶段不是相互依赖,是可以并行执行的。
set hive.execparallel=true 可以开启并发执行
set hive.exec.parallel.thread.number=16 同一个sql允许最大并行度,默认为8
会比较耗系统资源
八、调整mapper和reducer的个数
1.Map阶段优化
map个数的主要的决定因素有:input的文件总个数,input的文件大小,集群设置的文件块大小(默认128M,不可自定义)。
举例:
a、假设input目录下有一个文件a,大小为780M,那么Hadoop会将该文件a分割成7个块(6个128M的块和1个12M的块),从而产生7个map数
b、假设input目录下有三个文件a,b,c大小分别为10M,20M,130M,那么Hadoop会分割成4个块(10M,20M,128M,2M),从而生产4个map数,即:如果文件大于块大小(128M),那么会拆份,如果小于块大小,则把该文件当成一个块。
map执行时间:map任务启动和初始化的时间+逻辑处理的时间。
1)减少map数
若有大量小文件(小于128M),会产生多个map,处理方法是:
set mapred.max.split.size=100000000;
set mapred.min.split.size.per.node=100000000;
set mapred.min.split.size.per.rack=100000000;
--前面三个参数确定合并文件块的大小,大于文件块大小128M的,按照128M来分割,小于128M,大于100M的,按照100M来分割,把那些小于100M的(包括小文件和分割大文件剩下的)进行合并
set hive.input.format=org.apache.hadoop.hive.ql.io.ConmbineHiveInputFormat; --执行前进行小文件合并
2)增加map数
当input的文件都很大,任务逻辑复杂,map执行非常慢的时候,可以考虑增加Map数,来使得每个map处理的数据量减少,从而提高任务的执行效率。
set mapred.reduce.tasks=?
2.Reduce阶段
调整方式:
--set mapred.reduce.tasks=?
--set hive.exec.reducers.bytes.per.reducer=?
一般根据输入文件的总大小,用它的estimation函数来自动计算reduce的个数:reduce个数=InputFileSize/butes per reducer
九、严格模式
set hive.marped.mode=strict ---防止用户执行那些可能意想不到的不好的影响的查询
--分区表,必须选定分区范围
--对于使用order by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。
--限制笛卡尔积查询:两张表join时必须有on语句
十、数据倾斜
表现:任务进度长时间维持在99%(或100%),查看任务监控页面,发现只有少量(1个或几个)reduce子任务未完成。因为其处理的数据量和其他reduce差异过大。单一reduce的记录数与平均记录数差异过大,通常可能达到3倍甚至更多,最长时长远大于平均时长。
原因:
1.key分布不均匀
2.业务数据本身的特性
3.建表时考虑不周
4.某些sql语句本身就有数据倾斜
关键词 | 情形 | 后果 |
---|---|---|
join | 其中一个表较小,但是key集中 | 分发到某一个或几个reduce上的数据远高于平均值 |
join | 大表与大表,但是分桶的判断字段0值或者空值过多 | 这些空值都由一个reduce处理,非常慢 |
group by | group by 维度过小,某值的数量过多 | 处理某只的reduce非常耗时 |
count distinct | 某特殊值过多 | 处理次特殊值reduce耗时 |
解决方案:hive.map.aggr=true
转载地址:http://crjxi.baihongyu.com/