hive 调优总结

一、join优化

  做join之前对数据进行预处理,减少参加join的数据量,把数据量少的表放入内存中,制作map端的join

  应该将条目少的表/子查询放在 Join 操作符的左边。原因是在 Join 操作的 Reduce 阶段,位于 Join 操作符左边的表的内容会被加载进内存,将条目少的表放在左边,可以有效减少发生内存溢出错误的几率。

  Join查找操作中如果存在多个join,且所有参与join的表中其参与join的key都相同,则会将所有的join合并到一个mapred程序中。

  SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)  在一个mapre程序中执行join

  SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)   在两个mapred程序中执行join

  Map join的关键在于join操作中的某个表的数据量很小

  SELECT /*+ MAPJOIN(b) */ a.key, a.value

  FROM a join b on a.key = b.key 

  Mapjoin 的限制是无法执行a FULL/RIGHT OUTER JOIN b,和map join相关的Hive参数:

hive.join.emit.interval 
hive.mapjoin.size.key
hive.mapjoin.cache.numrows

  由于join操作是在where操作之前执行,所以当你在执行join时,where条件并不能起到减少join数据的作用;

 SELECT a.val, b.val FROM a LEFT OUTER JOIN b ON (a.key=b.key)

 WHERE a.ds='2009-07-07' AND b.ds='2009-07-07'

 最好修改为:

 SELECT a.val, b.val FROM a LEFT OUTER JOIN b

 ON (a.key=b.key AND b.ds='2009-07-07' AND a.ds='2009-07-07')

  在join操作的每一个mapred程序中,hive都会把出现在join语句中相对靠后的表的数据stream化,相对靠前的变的数据缓存在内存中。当然,也可以手动指定stream化的表:

SELECT /*+ STREAMTABLE(a) */ a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)

二、group by 优化

group by分组会很容易出现数据不均匀的情况,这就会造成每个任务的工作量差异太大,也就是数据倾斜:

  Map端聚合,首先在map端进行初步聚合,最后在reduce端得出最终结果,相关参数:

  · hive.map.aggr = true是否在 Map 端进行聚合,默认为 True

  · hive.groupby.mapaggr.checkinterval = 100000在 Map 端进行聚合操作的条目数目

  数据倾斜聚合优化,设置参数hive.groupby.skewindata = true,当选项设定为 true,生成的查询计划会有两个 MR Job。第一个 MR Job 中,Map 的输出结果集合会随机分布到 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。

简单来说就是设置参数hive.groupby.skewindata = true

会生成两个查询计划
1、把map结果随机分配到reduce
2、在第一步的结果上group by
 

三、合并小文件

  文件数目过多,会给 HDFS 带来压力,并且会影响处理效率,可以通过合并 Map 和 Reduce 的结果文件来消除这样的影响:

  · hive.merge.mapfiles = true是否和并 Map 输出文件,默认为 True

  · hive.merge.mapredfiles = false是否合并 Reduce 输出文件,默认为 False

  · hive.merge.size.per.task = 256*1000*1000合并文件的大小

四、Hive实现(not) in

  通过left outer join进行查询,(假设B表中包含另外的一个字段 key1

select a.key from a left outer join b on a.key=b.key where b.key1 is null

  通过left semi join 实现 in

SELECT a.key, a.val FROM a LEFT SEMI JOIN b on (a.key = b.key)

  Left semi join 的限制:join条件中右边的表只能出现在join条件中。

五、排序优化

order by 所有数据放在reduce进行全局排序会造成排序慢
解决办法
 
1、在最终结果排序
2、先分组distribute by,现在组内分组sort by,然后再order by

  Order by 实现全局排序,一个reduce实现,效率低

  Sort by 实现部分有序,单个reduce输出的结果是有序的,效率高,通常和DISTRIBUTE BY关键字一起使用(DISTRIBUTE BY关键字 可以指定map 到 reduce端的分发key)

  CLUSTER BY col1 等价于DISTRIBUTE BY col1 SORT BY col1

六、使用分区

  Hive中的每个分区都对应hdfs上的一个目录,分区列也不是表中的一个实际的字段,而是一个或者多个伪列,在表的数据文件中实际上并不保存分区列的信息与数据。Partition关键字中排在前面的为主分区(只有一个),后面的为副分区

  静态分区:静态分区在加载数据和使用时都需要在sql语句中指定

  案例:(stat_date='20120625',province='hunan')

  动态分区:使用动态分区需要设置hive.exec.dynamic.partition参数值为true,默认值为false,在默认情况下,hive会假设主分区时静态分区,副分区使用动态分区;如果想都使用动态分区,需要设置set hive.exec.dynamic.partition.mode=nostrick,默认为strick

  案例:(stat_date='20120625',province)

七、Distinct 使用

  Hive支持在group by时对同一列进行多次distinct操作,却不支持在同一个语句中对多个列进行distinct操作。

八、Hql使用自定义的mapred脚本

  注意事项:在使用自定义的mapred脚本时,关键字MAP REDUCE 是语句SELECT TRANSFORM ( ... )的语法转换,并不意味着使用MAP关键字时会强制产生一个新的map过程,使用REDUCE关键字时会产生一个red过程。

  自定义的mapred脚本可以是hql语句完成更为复杂的功能,但是性能比hql语句差了一些,应该尽量避免使用,如有可能,使用UDTF函数来替换自定义的mapred脚本

九、UDTF

  UDTF将单一输入行转化为多个输出行,并且在使用UDTF时,select语句中不能包含其他的列,UDTF不支持嵌套,也不支持group by 、sort by等语句。如果想避免上述限制,需要使用lateral view语法,案例:

select a.timestamp, get_json_object(a.appevents, '$.eventid'), get_json_object(a.appenvets, '$.eventname') from log a;

select a.timestamp, b.*

from log a lateral view json_tuple(a.appevent, 'eventid', 'eventname') b as f1, f2;

  其中,get_json_object为UDF函数,json_tuple为UDTF函数。

  UDTF函数在某些应用场景下可以大大提高hql语句的性能,如需要多次解析json或者xml数据的应用场景。

十、聚合函数count和sum

  Count和sum函数可能是在hql语句中使用的最为频繁的两个聚合函数了,但是在hive中count函数在计算distinct value时支持加入条件过滤。

 
上一篇:Android UI开发第二十四篇——Action Bar


下一篇:【BZOJ】【1012】【JSOI2008】最大数maxnumber