82.1 问题情况

INSERT … SELECT语句向Parquet或者ORC格式的表中插入数据时，启用了动态分区，无法正常执行
Hive客户端：

Task with the most failures(4):
Diagnostic Messages for this Task:
Error: GC overhead limit exceeded
...
FAILED: Execution Error, return code 2 from org.apache.hadoop.hive.ql.exec.mr.MapRedTask
MapReduce Jobs Launched:
Stage-Stage-1: Map: 1 HDFS Read: 0 HDFS Write: 0 FAIL
Total MapReduce CPU Time Spent: 0 msec

YARN的8088中查看具体map task报错：

2017-10-27 17:08:04,317 FATAL [main] org.apache.hadoop.mapred.YarnChild: Error running child : java.lang.OutOfMemoryError: GC overhead limit exceeded

82.2 解决方法

方法一：启用hive.optimize.sort.dynamic.partition，将其设置为true

• 这种优化方式在写parquet文件时使用的内存要相对少一些，但代价是要对分区字段进行排序
  • 这个优化只有map任务的mapreduce会引入reduce过程，这样动态分区的那个字段比如日期在传到reducer时会被排序
  • 由于分区字段是排序的，因此每个reducer只需要保持一个文件写入器（file writer）随时处于打开状态，在收到来自特定分区的所有行后，关闭记录写入器（record writer），从而减小内存压力

SET hive.optimize.sort.dynamic.partition=true; 
INSERT OVERWRITE TABLE [table] SELECT ...

方法二：增加每个mapper的内存分配，即增大mapreduce.map.memory.mb和mapreduce.map.java.opts，这样所有文件写入器（filewriter）缓冲区对应的内存会更充沛
方法三：将查询分解为几个较小的查询，以减少每个查询创建的分区数量

• Hive为每个打开的Parquet文件缓冲区（file buffer）分配128MB
  • 这个buffer大小由参数parquet.block.size控制
  • 最佳性能，parquet的buffer size需要与HDFS的block size保持对齐（比如相等），从而使每个parquet文件在单个HDFS的块中，以便每个I/O请求都可以读取整个数据文件，而无需通过网络传输访问后续的block

-- set Parquetbuffer size to 256MB (in bytes)
set parquet.block.size=268435456;

生成动态分区的一些参数说明

hive.exec.dynamic.partition
## 默认值：false
## 是否开启动态分区功能，默认false关闭
## 使用动态分区时候，该参数必须设置成true

mapreduce.input.fileinputformat.split.maxsize
mapreduce.input.fileinputformat.split.minsize
## 这个两个参数联合起来用，主要是为了方便控制mapreduce的map数量
## 比如设置为1073741824，就是为了让每个map处理1GB的文件

mapreduce.map.java.opts
## map任务的Java堆栈大小设置，一般设置为小于等于上面那个值的75%，这样可以保证map任务有足够的堆栈外内存空间

mapreduce.map.memory.mb
## map任务的物理内存分配值，常见设置为1GB,2GB,4GB等

hive.exec.max.created.files
## 默认值：100000
## 整个MR Job中，最大可以创建多少个HDFS文件
## 一般默认值足够了，除非你的数据量非常大，需要创建的文件数大于100000，可根据实际情况加以调整

hive.exec.max.dynamic.partitions
## 默认值：1000
## 在所有执行MR的节点上，最大一共可以创建多少个动态分区

hive.exec.max.dynamic.partitions.pernode
## 默认值：100
## 在每个执行MR的节点上，最大可以创建多少个动态分区
## 该参数需要根据实际的数据来设定
## 比如：源数据中包含了一年的数据，即day字段有365个值，那么该参数就需要设置成大于365，如果使用默认值100，则会报错


hive.exec.dynamic.partition.mode
## 默认值：strict
## 动态分区的模式，默认strict，表示必须指定至少一个分区为静态分区，nonstrict模式表示允许所有的分区字段都可以使用动态分区
## 一般需要设置为nonstrict

大数据视频推荐：
CSDN
大数据语音推荐：
企业级大数据技术应用
大数据机器学习案例之推荐系统
自然语言处理
大数据基础
人工智能：深度学习入门到精通