hive 如何调优

2024-01-26 16:56:34

　　hive 常见调优方法：

0.11前版本开启MapJoin，之后的版本默认开启

MapJoin是Hive的一种优化操作，其适用于小表JOIN大表的场景，由于表的JOIN操作是在Map端且在内存进行的，所以其并不需要启动Reduce任务也就不需要经过shuffle阶段，从而能在一定程度上节省资源提高JOIN效率
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，只拿需要的分区，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。
```
//过滤前
 SELECT a.id FROM bigtable a  LEFT JOIN ori b ON a.id = b.id  WHERE b.id <= 10;
 //过滤后
 SELECT a.id FROM ori a  LEFT JOIN bigtable b ON (b.id <= 10 AND a.id = b.id);
```
采用分桶技术
采用分区技术

合理设置map数

减少map数：合并小文件

set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

 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来分隔，小于128m,大于100m的，按照100m来分隔，把那些小于100m的（包括小文件和分隔大文件剩下的）进行合并

增加map数

 set mapred.reduce.tasks=10;
 create table t_1 as 
 select * from t 
 distribute by rand(123); 
 
 此时会将a表的记录，随机的分散到包含10个文件的t_1表中，再用t_1代替上面sql中的t表，则会用10个map任务去完成。
 每个map任务处理大于12M（几百万记录）的数据，效率肯定会好很多。

合理设置Reduce数

reduce个数的设定极大影响任务执行效率，默认如果reduce的输入（map的输出）总大小不超过1G,那么只会有一个reduce任务；用了order by 则永远只有一个reduce

增加

调整reduce个数方法一： 
 调整hive.exec.reducers.bytes.per.reducer参数的值；
 set hive.exec.reducers.bytes.per.reducer=500000000; （500M）
 select pt,count(1) from table where pt = '2019-01-01' group by pt; 这次有20个reduce
          
 调整reduce个数方法二； 
 set mapred.reduce.tasks = 10;
 select pt,count(1) from table where pt = '2019-01-01' group by pt;这次有10个reduce

减少
```
 set mapred.reduce.tasks= ；
```
启动和初始化reduce也会消耗时间和资源，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；

　　　　　　为避免设置无效要检查是否使用了group by，是否禁用了Order by ，是否有笛卡尔积。

7.常用参数

SET hive.merge.mapfiles = true; -- 默认true，在map-only任务结束时合并小文件
SET hive.merge.mapredfiles = true; -- 默认false，在map-reduce任务结束时合并小文件（比如只有map的任务）
SET hive.merge.size.per.task = 268435456; -- 默认256M
SET hive.merge.smallfiles.avgsize = 16777216; -- 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

码农公寓

hive 常见调优方法：

相关文章

　　hive 常见调优方法：