Hive調(diào)優(yōu)技巧

1.Fetch抓取

set hive.fetch.task.conversion=more（默認(rèn)）
1

Fetch 抓取是指，Hive 中對某些情況的查詢可以不必使用 MapReduce 計算。
該屬性設(shè)置為 more 以后，在全局查找、字段查找、limit 查找等都不走 MapReduce。 設(shè)置為none后所有類型的查找語句都要走M(jìn)apReduce；

2.本地模式

set hive.exec.mode.local.auto=true（開啟本地模式）
1

Hive 可以通過本地模式在單臺機(jī)器上 處理所有的任務(wù)。對于小數(shù)據(jù)集，執(zhí)行時間可以明顯被縮短
1.開啟本地模式后需要設(shè)置local mr的最大輸入數(shù)據(jù)量，當(dāng)數(shù)據(jù)量小于這個值時采用local mr的方式

set hive.exec.mode.local.auto.inputbytes.max=134217728（默認(rèn)）
1

2.開啟本地模式后需要設(shè)置local mr的最大輸入文件個數(shù)，當(dāng)數(shù)據(jù)量小于這個值時采用local mr的方式

set hive.exec.mode.local.auto.input.files.max=4（默認(rèn)）
1

3.表的優(yōu)化

3.1小表join大表 （小表需要在左邊.）

注: 新版的 hive 已經(jīng)對小表 JOIN 大表和大表 JOIN 小表進(jìn)行了優(yōu)化。小表放在左邊和右邊已經(jīng)沒有明顯區(qū)別

3.2大表join大表

當(dāng)一個表內(nèi)有許多空值時會導(dǎo)致MapReduce過程中,空成為一個key值,對應(yīng)的會有大量的value值, 而一個key的value會一起到達(dá)reduce造成內(nèi)存不足;所以要想辦法過濾這些空值.
1.通過查詢所有不為空的結(jié)果

   insert overwrite table jointable select n.* from 
   (select * from nullidtable where id is not null ) n left join ori o on n.id = o.id;
12

2.查詢出空值并給其賦上隨機(jī)數(shù),避免了key值為空

insert overwrite table jointable
select n.* from nullidtable n full join ori o on 
case when n.id is null then concat('hive', rand()) else n.id end = o.id;
123

注:此方法可以解決數(shù)據(jù)傾斜的問題

3.3MapJoin

如果不指定 MapJoin 或者不符合 MapJoin 的條件，那么 Hive 解析器會將 Join 操作轉(zhuǎn)換成 Common Join，即：在 Reduce 階段完成 join。容易發(fā)生數(shù)據(jù)傾斜?？梢杂?MapJoin 把小 表全部加載到內(nèi)存在 map 端進(jìn)行 join，避免 reducer 處理。

設(shè)置MapJoin

set hive.auto.convert.join = true(默認(rèn))
1

大表小表的閥門值設(shè)置(默認(rèn)25M以下認(rèn)為是小表):

 set hive.mapjoin.smalltable.filesize=25000000;
1

3.4Group BY

默認(rèn)情況下，Map 階段同一 Key 數(shù)據(jù)分發(fā)給一個 reduce，當(dāng)一個 key 數(shù)據(jù)過大時就傾斜了并不是所有聚合都在reduce端完成，很多聚合操作都可以現(xiàn)在Map端進(jìn)行部分聚合，最后在Reduce段得到結(jié)果

開啟Map端聚合參數(shù)設(shè)置
是否在Map段進(jìn)行聚合，默認(rèn)為true

hive.map.aggr = true
1

在Map端進(jìn)行聚合操作的條目數(shù)

hive.groupby.mapaggr.checkinterval = 100000
1

有數(shù)據(jù)傾斜的時候進(jìn)行負(fù)載均衡（默認(rèn)是false）

hive.groupby.skewindata = true
1

注： 當(dāng)選項設(shè)定為 true，生成的查詢計劃會有兩個 MR Job。第一個 MR Job 中，Map 的輸出結(jié)果會隨機(jī)分布到 Reduce 中，每個 Reduce 做部分聚合操作，并輸出結(jié)果，這樣處理的結(jié)果是相同的 Group By Key 有可能被分發(fā)到不同的 Reduce 中，從而達(dá)到負(fù)載均衡的目的；第二個 MR Job 再根據(jù)預(yù)處理的數(shù)據(jù)結(jié)果按照 Group By Key 分布到 Reduce 中（這個過程可以 保證相同的 Group By Key 被分布到同一個 Reduce 中），最后完成最終的聚合操作。

3.5Count(Distinct)去重統(tǒng)計

Count Distinct是使用了一個mapreduce ，當(dāng)數(shù)據(jù)較少時無影響當(dāng)數(shù)據(jù)較大時 只使用一個MapReduce將很難完成job。這是需要用到分組 Group BY 會使用2個MapReduce完成因為設(shè)置了 set mapreduce.job.reduces = 5; 所以第一個MapReduce的過程是通過一個map和5個reduce來完成這樣減輕了reduce的負(fù)載， 雖然會多用一個 Job 來完成，但在數(shù)據(jù)量大的情況下，這個絕對是值得的。

3.6行列過濾

• 列處理: 在select中，只拿需要的列，盡量使用分區(qū)過濾，少用select*
• 行處理: 在分區(qū)剪裁中，當(dāng)使用外關(guān)聯(lián)時，如果將副表的過濾條件寫在where后面那么就會先全表關(guān)聯(lián)，之后再過濾。

實例：
1.測試先關(guān)聯(lián)兩張表，再用 where 條件過濾

hive (default)> select o.id from bigtable bjoin ori o on o.id = b.idwhere o.id <= 10;
1

2.通過子查詢后，再關(guān)聯(lián)表

hive (default)> select b.id from bigtable b join (select id from ori where id <= 10 ) o on b.id = o.id;
1

3.7.動態(tài)分區(qū)

關(guān)系型數(shù)據(jù)庫中，對分區(qū)表 Insert 數(shù)據(jù)時候，數(shù)據(jù)庫自動會根據(jù)分區(qū)字段的值，將數(shù)據(jù)插入到相應(yīng)的分區(qū)中，Hive 中也提供了類似的機(jī)制，即動態(tài)分區(qū)(Dynamic Partition)，只不過，使用 Hive 的動態(tài)分區(qū)，需要進(jìn)行相應(yīng)的配置。
首先要設(shè)置的屬性

set hive.exec.dynamic.partition = true;
set hive.exec.dynamic.partition.mode = nonstrict;
set hive.exec.max.dynamic.partitions = 1000;
set hive.exec.max.dynamic.partitions.pernode = 100;
set hive.exec.max.created.files = 100000;
set hive.error.on.empty.partition = false;
123456

模擬動態(tài)分區(qū)

 insert overwrite table ori_partitioned_target partition (p_time)
select id, time, uid, keyword, url_rank, click_num, click_url, p_time from ori_partitioned;
12

4.數(shù)據(jù)傾斜

4.1合理設(shè)置Map數(shù)

設(shè)置切片值

set mapreduce.input.fileinputformat.split.maxsize=？？？
1

4.2小文件進(jìn)行合并

在 map 執(zhí)行前合并小文件，減少 map 數(shù)：CombineHiveInputFormat 具有對小文件進(jìn)行
合并的功能（系統(tǒng)默認(rèn)的格式）。HiveInputFormat 沒有對小文件合并功能。

set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
1

4.3復(fù)雜文件增加Map數(shù)

 set mapreduce.job.maps =？？？
1

4.4合理設(shè)置Reduce數(shù)

1.調(diào)整reduce的個數(shù)方法一
每個Reduce處理的數(shù)據(jù)默認(rèn)是256MB

hive.exec.reducers.bytes.per.reducer=256000000
1

每個任務(wù)最大的reduce數(shù)，默認(rèn)為1009

hive.exec.reducers.max=1009
1

計算reduce數(shù)的公式

N=min(參數(shù)2，總輸入數(shù)據(jù)量/參數(shù)1)
1

2.調(diào)整reduce個數(shù)的方法二

set mapreduce.job.reduces=？？？
1

3.reduce個數(shù)不是越多越好

• 過多的啟動和初始化 reduce 也會消耗時間和資源；
• 另外，有多少個 reduce，就會有多少個輸出文件，如果生成了很多個小文件，那么如果這些小文件作為下一個任務(wù)的輸入，則也會出現(xiàn)小文件過多的問題；在設(shè)置 reduce 個數(shù)的時候也需要考慮這兩個原則：處理大數(shù)據(jù)量利用合適的 reduce 數(shù)；使單個 reduce 任務(wù)處理數(shù)據(jù)量大小要合適；

4.5并行執(zhí)行

通過設(shè)置參數(shù) hive.exec.parallel 值為 true，就可以開啟并發(fā)執(zhí)行。不過，在共享集群中，需要注意下，如果 job 中并行階段增多，那么集群利用率就會增加。

set hive.exec.parallel=true; //打開任務(wù)并行執(zhí)行
set hive.exec.parallel.thread.number=16; //同一個 sql 允許最大并行度，默認(rèn)為 8。