Hive存储格式及优化

2023-10-22 13:16:22

Hive的数据存储格式

  • 列式存储、行式存储

  • Hive中表的数据存储格式，不是只支持text文本格式，还支持其他很多格式。

  • 建表的时候通过STORED AS 语法指定。如果没有指定默认都是textfile（行存储）。

  • Hive中主流的几种文件格式。

    • textfile 文件格式

    • ORC、Parquet 列式存储格式。

      都是列式存储格式，底层是以二进制形式存储。数据存储效率极高，查询方便。

    • 栗子

      分别使用3种不同格式存储数据，去HDFS上查看底层文件存储空间的差异。

      --1、创建表，存储数据格式为TEXTFILE
create table log_text (
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS TEXTFILE;  --如果不写stored as textfile 默认就是textfile

--加载数据
load data local inpath '/root/hivedata/log.data' into table log_text;

--2、创建表，存储数据格式为ORC
create table log_orc(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS orc ;

--load是纯复制移动操作 不会调整文件格式。
insert into table log_orc select * from log_text;

--3、创建表，存储数据格式为parquet
create table log_parquet(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS PARQUET ;

--向表中插入数据 
insert into table log_parquet select * from log_text ;

  • 在实际开发中，可以根据需求选择不同的文件格式并且搭配不同的压缩算法。可以得到更好的存储效果。

    -- 不压缩
create table log_orc_none(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS orc tblproperties ("orc.compress"="NONE");
-- 写入数据
insert into table log_orc_none select * from log_text ;

-- 压缩数据
create table log_orc_snappy(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS orc tblproperties ("orc.compress"="SNAPPY");
-- 写入
insert into table log_orc_snappy select * from log_text ;


--不指定压缩格式 代表什么呢？
--orc 存储文件默认采用ZLIB 压缩。比 snappy 压缩的小
STORED AS orc;   --2.78M

--以ORC格式存储 不压缩
STORED AS orc tblproperties ("orc.compress"="NONE");  --7.69M

--以ORC格式存储  使用snappy压缩
STORED AS orc tblproperties ("orc.compress"="SNAPPY"); --3.78M

  • 结论建议：在Hive中推荐使用ORC+snappy压缩。

Hive通用调优

  • 能不使用MR就不使用MR 查询数据时尽量不适用mr，直接读文件进行切割数据展示
  • 使用mr计算时，能之直接调用本地资源，就不再取yarn服务中请求资源
  • mr计算速度慢可以切换计算框架 spark
1、Fetch抓取机制

  • 功能：在执行sql的时候，能不走MapReduce程序处理就尽量不走MapReduce程序处理。

  • 尽量直接去操作数据文件。

  • 设置： hive.fetch.task.conversion= more。

    --在下述3种情况下 sql不走mr程序

--全局查找
select * from student;
--字段查找
select num,name from student;
--limit 查找
select num,name from student limit 2;
2、mapreduce本地模式

  • 功能：如果非要执行MapReduce程序，能够本地执行的，尽量不提交yarn上执行。

  • 默认是关闭的。意味着只要走MapReduce就提交yarn执行。

    mapreduce.framework.name = local 本地模式
mapreduce.framework.name = yarn 集群模式

  • Hive提供了一个参数，自动切换MapReduce程序为本地模式，如果不满足条件，就执行yarn模式。

    set hive.exec.mode.local.auto = true;
 
--3个条件必须都满足 自动切换本地模式
The total input size of the job is lower than: hive.exec.mode.local.auto.inputbytes.max (128MB by default)  --数据量小于128M

The total number of map-tasks is less than: hive.exec.mode.local.auto.tasks.max (4 by default)  --maptask个数少于4个

The total number of reduce tasks required is 1 or 0.  --reducetask个数是0 或者 1

  • 切换Hive的执行引擎

    WARNING: Hive-on-MR is deprecated in Hive 2 and may not be available in the future versions. Consider using a different execution engine (i.e. spark, tez) or using Hive 1.X releases.

如果针对Hive的调优依然无法满足你的需求 还是效率低， 尝试使用spark计算引擎 或者Tez.
3、join优化

尽量不进行两个表以上的关联拆卸

from t2 join t1

from t2 join t3

  • 底层还是MapReduce的join优化。

  • MapReduce中有两种join方式。指的是join的行为发生什么阶段。

    • map端join
    • reduce端join

  • 优化1：Hive自动尝试选择map端join提高join的效率 省去shuffle的过程。

    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：
set hive.mapjoin.smalltable.filesize= 25000000; 单位是 25m
低于25 在map进行join输出数据

  • 优化2：大表join大表

    --背景：
大表join大表本身数据就十分具体，如果join字段存在null空值 如何处理它？

--方式1：空key的过滤  此行数据不重要
参与join之前 先把空key的数据过滤掉
SELECT a.* FROM (SELECT * FROM nullidtable WHERE id IS NOT NULL ) a JOIN ori b ON a.id =b.id;

--方式2：空Key转换
CASE WHEN a.id IS NULL THEN 'xxx任意字符串' ELSE a.id END     hive001  hive11 hive231  
CASE WHEN a.id IS NULL THEN concat('hive', rand()) ELSE a.id  --避免转换之后数据倾斜 随机分布打散

  • 优化3：桶表join提高优化效率。bucket mapjoin

    1.1 条件
	1） set hive.optimize.bucketmapjoin = true;
	2） 一个表的bucket数是另一个表bucket数的整数倍
	3） bucket列 == join列
	4） 必须是应用在map join的场景中

1.2 注意
	1）如果表不是bucket的，只是做普通join。
4、group by 数据倾斜优化
（1）是否在 Map 端进行聚合，默认为 True
set hive.map.aggr = true;
（2）在 Map 端进行聚合操作的条目数目
set hive.groupby.mapaggr.checkinterval = 100000;
（3）有数据倾斜的时候进行负载均衡（默认是 false）
set hive.groupby.skewindata = true;

--Q:在hive中数据倾斜开启负载均衡之后 底层执行机制是什么样？
男性 女性
--step1:启动一个MapReduce程序 将倾斜的数据随机发送到各个reduce中 进行打散 
        每个reduce进行聚合都是局部聚合
        
--step2:再启动第二个MapReduce程序 将上一步局部聚合的结果汇总起来进行最终的聚合
5、hive中如何调整底层MapReduce中task的个数（并行度）

  • maptask个数

    • 如果是在MapReduce中 maptask是通过逻辑切片机制决定的。

    • 但是在hive中，影响的因素很多。比如逻辑切片机制，文件是否压缩、压缩之后是否支持切割。

    • 因此在Hive中，调整MapTask的个数，直接去HDFS调整文件的大小和个数，效率较高。

      如果小文件多，就进行小文件的合并  合并的大小最好=block size
130m 65m 65m   128m  64m
如果大文件多，就调整blocl size

hdfs-site  dfs.block.size

  • reducetask个数

    • 如果在MapReduce中，通过代码可以直接指定 job.setNumReduceTasks(N)

    • 在Hive中，reducetask个数受以下几个条件控制的

      （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.reducsers.max=1009
（3）mapreduce.job.reduce=3
该值默认为-1，由 hive 自己根据任务情况进行判断。


--如果用户用户不设置 hive将会根据数据量或者sql需求自己评估reducetask个数。
--用户可以自己通过参数设置reducetask的个数
  set mapreduce.job.reduces = N
--用户设置的不一定生效，如果用户设置的和sql执行逻辑有冲突，比如order by，在sql编译期间，hive又会将reducetask设置为合理的个数。  

Number of reduce tasks determined at compile time: 1
6、其他几个通用调优

  • 执行计划explain

    • 通过执行计划可以看出hive接下来是如何打算执行这条sql的。

    • 语法格式：explain + sql语句

    • 栗子

      explain select * from student;

+----------------------------------------------------+
|                      Explain                       |
+----------------------------------------------------+
| STAGE DEPENDENCIES:                                |
|   Stage-0 is a root stage                          |
|                                                    |
| STAGE PLANS:                                       |
|   Stage: Stage-0                                   |
|     Fetch Operator                                 |
|       limit: -1                                    |
|       Processor Tree:                              |
|         TableScan                                  |
|           alias: student                           |
|           Statistics: Num rows: 1 Data size: 5260 Basic stats: COMPLETE Column stats: NONE |
|           Select Operator                          |
|             expressions: num (type: int), name (type: string), sex (type: string), age (type: int), dept (type: string) |
|             outputColumnNames: _col0, _col1, _col2, _col3, _col4 |
|             Statistics: Num rows: 1 Data size: 5260 Basic stats: COMPLETE Column stats: NONE |
|             ListSink                               |
|                                                    |
+----------------------------------------------------+

  • 并行执行机制

    • 如果hivesql的底层某些stage阶段可以并行执行，就可以提高执行效率。

    • 前提是stage之间没有依赖 并行的弊端是瞬时服务器压力变大。

    • 参数

      set hive.exec.parallel=true; --是否并行执行作业。适用于可以并行运行的 MapReduce 作业，例如在多次插入期间移动文件以插入目标
set hive.exec.parallel.thread.number=16; --最多可以并行执行多少个作业。默认为8。

  • Hive的严格模式

    • 注意。不要和动态分区的严格模式搞混淆。

    • 这里的严格模式指的是开启之后 hive会禁止一些用户都影响不到的错误包括效率低下的操作，不允许运行一些有风险的查询。

    • 设置

      set hive.mapred.mode = strict --默认是非严格模式  nonstrict

    • 解释

      1、如果是分区表，没有where进行分区裁剪 禁止执行
2、order by语句必须+limit限制

  • 推测执行机制

    • MapReduce中task的一个机制。
    • 功能：
      • 一个job底层可能有多个task执行，如果某些拖后腿的task执行慢，可能会导致最终job失败。
      • 所谓的推测执行机制就是通过算法找出拖后腿的task,为其启动备份的task。
      • 两个task同时处理一份数据，谁先处理完，谁的结果作为最终结果。
    • 推测执行机制默认是开启的，但是在企业生产环境中建议关闭。
上一篇：torch.spmm矩阵乘法


下一篇：【论文笔记】：Mutual Supervision for Dense Object Detection