Hive企业级调优:
1. 执行计划（Explain）
1 ） 基本语法 EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query 2 ） 案例实操 （1）查看下面这条语句的执行计划 hive (default)> explain select * from emp; hive (default)> explain select deptno, avg(sal) avg_sal from emp group by deptno; （2）查看详细执行计划 hive (default)> explain extended select * from emp; hive (default)> explain extended select deptno, avg(sal) avg_sal from emp group by deptno;
2. Fetch抓取
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 emp;在这种情况下，Hive可以简单地读取emp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 1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only 2. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns) </description> </property> 1 ）案例实操： （1）把hive.fetch.task.conversion设置成none，然后执行查询语句，都会执行mapreduce程序。 hive (default)> set hive.fetch.task.conversion=none; hive (default)> select * from emp; hive (default)> select ename from emp; hive (default)> select ename from emp limit 3; （2）把hive.fetch.task.conversion设置成more，然后执行查询语句，如下查询方式都不会执行mapreduce程序。 hive (default)> set hive.fetch.task.conversion=more; hive (default)> select * from emp; hive (default)> select ename from emp; hive (default)> select ename from emp limit 3;3. 本地模式
大多数的Hadoop Job是需要Hadoop提供的完整的可扩展性来处理大数据集的。不过，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。 用户可以通过设置hive.exec.mode.local.auto的值为true，来让Hive在适当的时候自动启动这个优化。 set hive.exec.mode.local.auto=true; //开启本地mr // 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 134217728 ，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; 1 ）案例实操： （1）开启本地模式，并执行查询语句 hive (default)> set hive.exec.mode.local.auto=truecluster by deptno; ; hive (default)> select * from emp Time taken: 1.328 seconds, Fetched: 14 row(s) （2）关闭本地模式，并执行查询语句 hive (default)> set hive.exec.mode.local.auto=false; hive (default)> select * from emp cluster by deptno; Time taken: 20.09 seconds, Fetched: 14 row(s) 数据量少文件小的时候用local会大大提高效率4. 表的优化
(1) 小表、大表Join
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；再进一步，可以使用map join让小的维度表（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。 案例实操 1 ）需求 测试大表JOIN小表和小表JOIN大表的效率 2 ）建大表、小表和 JOIN 后表的语句 // 创建大表 create table bigtable(id bigint, t bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t'; // 创建小表 create table smalltable(id bigint, t bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t'; // 创建 join 后表的语句 create table jointable(id bigint, t bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t'; 3 ）分别向大表和小表中导入数据 hive (default)> load data local inpath '/opt/module/hive/datas/bigtable' into table bigtable; hive (default)>load data local inpath '/opt/module/hive/datas/smalltable' into table smalltable; 4 ）关闭 mapjoin 功能（默认是打开的） set hive.auto.convert.join = false; 5 ）执行小表 JOIN 大表语句 insert overwrite table jointable explain select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url from smalltable s join bigtable b on b.id = s.id; Time taken: 35.921 seconds No rows affected (44.456 seconds) 6 ） 执行大表 JOIN 小表语句 insert overwrite table jointable explain select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url from bigtable b join smalltable s on s.id = b.id; Time taken: 34.196 seconds No rows affected (26.287 seconds)(2) 大表Join大表
1）空KEY过滤
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。例如 key 对应的字段为空，操作如下： 案例实操 （ 1 ）配置历史服务器 配置 mapred-site.xml <property> <name>mapreduce.jobhistory.address</name> <value>hadoop102:10020</value> </property> <property> <name>mapreduce.jobhistory.webapp.address</name> <value>hadoop102:19888</value> </property> 启动历史服务器 sbin/mr-jobhistory-daemon.sh start historyserver 查看 jobhistory http://hadoop102:19888/jobhistory （ 2 ）创建空 id 表 // 创建空id表 create table nullidtable(id bigint, t bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t'; （ 3 ）加载空 id 数据到空 id 表中 hive (default)> load data local inpath '/opt/module/hive/datas/nullid' into table nullidtable; （ 4 ）测试不过滤空 id hive (default)> insert overwrite table jointable select * from( select n.* from nullidtable n left join bigtable o on n.id = o.id) t1 where t1.id is not null Time taken: 42.038 seconds Time taken: 37.284 seconds （ 5 ）测试过滤空 id hive (default)> insert overwrite table jointable select n.* from (select * from nullidtable where id is not null ) n left join bigtable o on n.id = o.id; Time taken: 31.725 seconds Time taken: 28.876 seconds2）空key转换
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： 案例实操： 不随机分布空 null 值： （ 1 ）设置 5 个 reduce 个数 set mapreduce.job.reduces = 5; （ 2 ） JOIN 两张表 insert overwrite table jointable select n.* from nullidtable n left join bigtable b on n.id = b.id; 结果：如下图所示，可以看出来，出现了数据倾斜，某些 reducer 的资源消耗远大于其他 reducer 。
3）SMB(Sort Merge Bucket join)
1 ）创建第二张大表 create table bigtable2( id bigint, t bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t'; load data local inpath '/opt/module/hive/datas/bigtable' into table bigtable2; 测试大表直接 JOIN insert overwrite table jointable select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url from bigtable s join bigtable2 b on b.id = s.id; 2 ）创建分通表 1, 桶的个数不要超过可用 CPU 的核数 create table bigtable_buck1( id bigint, t bigint, uid string, keyword string, url_rank int, click_num int, click_url string) clustered by(id) sorted by(id) into 6 buckets row format delimited fields terminated by '\t'; load data local inpath '/opt/module/hive/datas/bigtable' into table bigtable_buck1; 3 ）创建分通表 2, 桶的个数不要超过可用 CPU 的核数 create table bigtable_buck2( id bigint, t bigint, uid string, keyword string, url_rank int, click_num int, click_url string) clustered by(id) sorted by(id) into 6 buckets row format delimited fields terminated by '\t'; load data local inpath '/opt/module/hive/datas/bigtable' into table bigtable_buck2; （ 4 ）设置参数 set hive.optimize.bucketmapjoin = true; set hive.optimize.bucketmapjoin.sortedmerge = true; set hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat; （ 5 ）测试 insert overwrite table jointable select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url from bigtable_buck1 s join bigtable_buck2 b on b.id = s.id;
(3) MapJoin
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。 1 ）开启 MapJoin 参数设置 （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以下认为是小表）： set hive.mapjoin.smalltable.filesize=25000000; 2 ） MapJoin 工作机制(4) Group By
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。(5) Count(Distinct) 去重统计
数据量小的时候无所谓，数据量大的情况下，由于 COUNT DISTINCT 操作需要用一个 Reduce Task 来完成，这一个 Reduce 需要处理的数据量太大，就会导致整个 Job 很难完成，一般 COUNT DISTINCT 使用先 GROUP BY 再 COUNT 的方式替换 , 但是需要注意 group by 造成的数据倾斜问题（比如 count, 可以先 count group 之后的数据 , 再 sum ） .
- 案例实操
(6) 笛卡尔积
尽量避免笛卡尔积，join的时候不加on条件，或者无效的on条件，Hive只能使用1个reducer来完成笛卡尔积。(7) 行列过滤
列处理：在SELECT中，只拿需要的列，如果有，尽量使用分区过滤，少用SELECT *。 行处理：在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在Where后面，那么就会先全表关联，之后再过滤，比如： 案例实操： 1 ）测试先关联两张表，再用 where 条件过滤 hive (default)> select o.id from bigtable b join bigtable o on o.id = b.id where o.id <= 10; Time taken: 34.406 seconds, Fetched: 100 row(s) 2 ）通过子查询后，再关联表 hive (default)> select b.id from bigtable b join (select id from bigtable where id <= 10 ) o on b.id = o.id; Time taken: 30.058 seconds, Fetched: 100 row(s)(8) 分区
分区表实际上就是对应一个HDFS文件系统上的独立的文件夹，该文件夹下是该分区所有的数据文件。 Hive 中的分区就是分目录，把一个大的数据集根据业务需要分割成小的数据集。在查询时通过WHERE子句中的表达式选择查询所需要的指定的分区，这样的查询效率会提高很多。(9) 分桶
分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理的分区。对于一张表或者分区，Hive 可以进一步组织成桶，也就是更为细粒度的数据范围划分。 分桶是将数据集分解成更容易管理的若*分的另一个技术。 分区针对的是数据的存储路径；分桶针对的是数据文件。
5. 合理设置Map及Reduce数
1 ）通常情况下，作业会通过input的目录产生一个或者多个map任务。 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。 2 ）是不是map数越多越好？ 答案是否定的。如果一个任务有很多小文件（远远小于块大小128m），则每个小文件也会被当做一个块，用一个map任务来完成，而一个map任务启动和初始化的时间远远大于逻辑处理的时间，就会造成很大的资源浪费。而且，同时可执行的map数是受限的。 3 ）是不是保证每个map处理接近128m的文件块，就高枕无忧了？ 答案也是不一定。比如有一个127m的文件，正常会用一个map去完成，但这个文件只有一个或者两个小字段，却有几千万的记录，如果map处理的逻辑比较复杂，用一个map任务去做，肯定也比较耗时（NlineInputFormat）。 针对上面的问题2和3，我们需要采取两种方式来解决：即减少map数和增加map数；1 复杂文件增加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。 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。 案例实操： 1 ）执行查询 hive (default)> select count(*) from emp; Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 1 2 ）设置最大切片值为 100 个字节 hive (default)> set mapreduce.input.fileinputformat.split.maxsize=100; hive (default)> select count(*) from emp; Hadoop job information for Stage-1: number of mappers: 6; number of reducers: 12 小文件进行合并
1 ）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; 2 ）在Map-Reduce的任务结束时合并小文件的设置： 在map-only任务结束时合并小文件，默认true SET hive.merge.mapfiles = true; 在map-reduce任务结束时合并小文件，默认false SET hive.merge.mapredfiles = true; 合并文件的大小，默认256M SET hive.merge.size.per.task = 268435456; 当输出文件的平均大小小于该值时，启动一个独立的map-reduce任务进行文件merge SET hive.merge.smallfiles.avgsize = 16777216;10.4.3 合理设置Reduce数
1 ） 调整 reduce 个数方法一 （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)(参数2 指的是上面的1009，参数1值得是256M) 2 ） 调整 reduce 个数方法二 在hadoop的mapred-default.xml文件中修改 设置每个job的Reduce个数 set mapreduce.job.reduces = 15; 3 ） reduce 个数并不是越多越好 （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；6. 并行执行
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，默认为false set hive.exec.parallel.thread.number=16; //同一个sql允许最大并行度，默认为8。 当然，得是在系统资源比较空闲的时候才有优势，否则，没资源，并行也起不来 (建议在数据量大,sql很长的时候使用,数据量小,sql比较的小开启有可能还不如之前快)。7. 严格模式
Hive可以通过设置防止一些危险操作： 1 ）分区表不使用分区过滤将hive.strict.checks.no.partition.filter设置为true时，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 ）使用 order by 没有 limit 过滤 将hive.strict.checks.orderby.no.limit设置为true时，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(开启了limit可以在数据进入到reduce之前就减少一部分数据)。 3 ）笛卡尔积 将hive.strict.checks.cartesian.product设置为true时， 会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。
8. JVM重用
与Mapreduce中的JVM重用一样,Uber模式
9. 压缩
Hadoop压缩
| 压缩格式 | 算法 | 文件扩展名 | 是否可切分 |
| DEFLATE | DEFLATE | .deflate | 否 |
| Gzip | DEFLATE | .gz | 否 |
| bzip2 | bzip2 | .bz2 | 是 |
| LZO | LZO | .lzo | 是 |
| Snappy | Snappy | .snappy | 否 |
| 压缩算法 | 原始文件大小 | 压缩文件大小 | 压缩速度 | 解压速度 |
| gzip | 8.3GB | 1.8GB | 17.5MB/s | 58MB/s |
| bzip2 | 8.3GB | 1.1GB | 2.4MB/s | 9.5MB/s |
| LZO | 8.3GB | 2.9GB | 49.3MB/s | 74.6MB/s |