0
0

Hive内核调优(三)

Hive内核调优(三)

1.6 参数调优案例

1.6.1 OBS 数据操作最佳实践

  1. 如何识别OBS流控 从yarn日志里面找到某一个map的syslog日志，打开查看ObsClient xx的时延，如果有多次大于100ms以上，即可能有流控异常。此时，需要拉通OBS同事查看后台监控流量，调整指标阈值。为了防止流控，一般前期需要根据实际业务数据量大小评估桶带宽和并发，按照OBS同事提供的经验值参考：1000核集群需要5GB（40Gb）带宽来评估。使用限制_对象存储服务 OBS_产品介绍_华为云 (huaweicloud.com) --OBS桶使用限制：请添加图片描述如下日志触发流控：请添加图片描述

  2. OBS相关参数
    参数名作用建议值fs.obs.readahead.range读数据时，发起预读建立range读的请求大小默认值：29版本前64KB，29版本开始1MB。此值设置大了，会提前碰到OBS BPS Qos。 Spark/Hive场景：每个map读数据很多时，建议设置为8/16MB；每个map读数据较少时，建议设置为1/2MB；HBase场景：设置为64KB；fs.obs.threads.max上传对象的线程数默认值：20 上传超过5GB大对象时，建议调整到50-100fs.obs.block.size计算split用到的block 大小，和map并发数相关默认值：128MB 注：使用distcp 带update参数时，需要注意保证源HDFS集群和该值一致fs.obs.list.parallel.factor fs.obs.list.threads.max fs.obs.list.threads.coreOBSFileSystem递归 List，并发参数默认值：30，60，30

  3. 结合Hive参数操作OBS数据
    参数名作用建议值mapreduce.input.fileinputformat.list-status.num-threadsgetSplits时，list的线程数默认15，建议改成50-100注：对继承FileInputFormat的 InputFormat有效hive.orc.compute.splits.num.threadsorc文件 input读的线程数和input内的目录数成正比，建议：50-100 默认值：1hive.exec.input.listing.max.threadsOrc list的线程数默认0，单线程运行，建议改成50-100tez.grouping.min-size tez.grouping.by-countTez时才有用。tez.grouping.min-size和tez.grouping.by-count配合使用，可控制map中的文件个数均衡建议tez.grouping.by-count=true tez.grouping.min-size=1KBhive.mv.files.threadHive mv（rename）的并发线程数。默认15，建议60

    1.6.2 当输入数据量较大时减小 Map 处理的最大数据量

已知表midsrc有1.5亿条记录，如下：在这里插入图片描述

分别设置map处理最大数据量为1024000000、512000000、256000000、128000000观察
以下语句的执行情况。
下面展示一些 

内联代码片

。

CREATETABLE splittb1 ASSELECT base64 (unbase64 (base64 (binary(Row))))FROM midsrc;

统计信息如下：
Map处理的最大数据量Mapper数执行时长（秒）10240000005117.098512000000967.622560000001752.73912800000033 49.971
可以看到：随着map处理最大数据量变小，map数逐渐增大，整体效率提升。在最大数据量从256000000到128000000时，差别已经不大了。

1.6.3 当大量重复数据做去重时减少 Reduce 数量

已知文本表hugest有9.5亿条记录，如下：
在这里插入图片描述

使用Hive默认参数执行以下语句查询不重复的记录。

O: jdbc:hive2://192.168.104.8:21066/>select distinct row from hugest;

共启动105个mapper，110个reducer，耗时137.394秒。
最终发现仅有三条不重复记录，由于map端已聚合，可推测reducer只要一个就够了，会大大减少reduce阶段耗时。
设置以下参数后再次执行语句。

O: jdbc:hive2://192.168.104.8:21066/>setmapreduce.job.reduces=1;
No rows affected (0.006 seconds)0: jdbc:hive2://192.168.104.8:21066/>select distinct row from hugest;

共启动105个mapper，1个reducer，耗时98.524秒，效果明显。

1.6.4 当大量匹配记录做关联时增加 Reduce 数量

己知表dynhuge和Idynhugel有784万条记录，使用Hive默认参数执行以下语句关联两表并将数据导入表tmp。

CREATETABLE Imp ASSELECT a. seq
FROM dynhugel a
JOIN dynhuge b ON a.seq = b.seq;

共启动2个mapper，1个reducer，耗时10个小时左右。
观察发现由于两表关联字段seq存在很多相同值，关联产生巨大的数据，一个reducer处理起来非常慢，按照当前集群和租户的能力，最大可启动56个container，因此考虑设置reducer个数为50。
设置以下参数后再次执行语句。

SET mapred. reduce. tasks=50;CREATETABLE Imp ASSELECT a. seq
FROM dynhugel a
JOIN dynhuge b ON a.seq = b.seq;

共启动2个 mapper,50个reducer，耗时16分钟，效果明显。

1.6.5 当出现 Join 倾斜时打开 Join 倾斜优化开关

表skewtable有392329条记录，表unskewtable有129927条记录。
使用Hive默认参数执行以下语句：

CREATETABLE tmp1 ASSELECT a.rowFROM skewtable a
JOIN unskewtable b oN a.row= b.row;

启动一个MR，耗时215.742秒，同时主要耗费在reduce阶段。
在这里插入图片描述
经统计，发现表skewtable有记录A的数量131650，表unskewtable有记录A的数量449，可知两表关联将会出现一定的数据倾斜。
设置join倾斜优化开关，再次执行如下：

SET hive.optimize.skewjoin=TRUE；
CREATETABLE tmp2 ASSELECT a.rowFROM skewtable a
JOIN unskewtable b oN a.row= b.row;

启动了两个MR，总耗时157.494秒，单独启动一个MR处理了倾斜数据后，效率提升
了。
在这里插入图片描述

1.6.6 当Join 和 Group By 的字段一致时打开相关性优化开关

表log有305872条记录，表logcopy有295825条记录。
使用Hive默认参数执行以下语句：

CREATETABLE tmp1 ASSELECT x.record ASKEY，count （1） AS cnt
FROM logcopy x
JOIN log y oN(x.record = y.record)GROUPBY x.record;

启动了两个MR，总耗时64.59秒
在这里插入图片描述
由于join的字段和group by字段均key，可以利用相关性优化，减少MR个数从而提高运行速度。
设置以下参数后，再次执行：

SET hive.optimize. correlation=TRUE;CREATETABLE tmp1 ASSELECT x. record ASKEY,count(1) A5 cnt
FROM logcopy x
JOIN1og y ON （x.record = y.record）
GROUPBY X.record；

只启动一个MR，总耗时32.678秒。
在这里插入图片描述

1.6.7 当Join 字段和参与Join 的子查询的Group By 的字段一致时打开相关性优化开关

表log有305872条记录，表logcopy有295825条记录。
使用Hive默认参数执行以下语句:

CREATETABLE tmp1 ASSELECT a.keyAS keyl，
a. cnt As cntl,
b.keyAs keyz,
b. cnt As cnt2
FROM(SELECT x.record ASKEY,count(*)AS cnt
FROM10g x
GROUPBY x.record) a
JOIN(SELECT y. record ASKEY,count(*)AS cnt
FROM Togcopy y
GROUPBY y.record) b oN(a.KEY= b.KEY)

启动了三个MR，总耗时98.714秒。
在这里插入图片描述
由于子查询的group by字段和join字段一致，可以利用相关性优化，减少MR个数从而提高运行速度。
设置以下参数后，再次执行：

SET hive.optimize. correlation=TRUE;CREATETABLE Imp2 ASSELECT a.keyAs key1,
a. cnt A5 cntl,
b.keyAs keyz,
b. cnt AS cnt2
FROM(SELECT X. record ASKEY,count(*)AS cnt
FROM log x
GROUPBY x. record) a
JOIN(SELECT y.record ASKEY,count(*)AS cnt
FROM logcopy y
GROUPBY y.record） b ON （a.KEY= b.KEY）
``
只启动一个MR，耗时33.855秒，效果明显。
![在这里插入图片描述](https://img-blog.csdnimg.cn/9522cd3cd3ce4af0bd296a2b1ab73efe.png)### 1.6.8 对 Count（Distinct）优化
ORC表orctbl有78914976条记录，表大小1.6G。
使用Hive默认参数执行以下语句：
```sqlSELECTcount(DISTINCT record)FROM orctbl;

由于是全聚合，只启动一个MR，总耗时295.997秒。

在这里插入图片描述
优化后可以将reduce数增大（测试集群可启动的container数次51），执行如下：

SET mapred.reduce.tasks=50；
SELECTcount(*)FROM(SELECTDISTINCT record
FROM orctbl) sub;

启动了两个MR，总耗时198.123秒。
在这里插入图片描述

1.6.9 使用 Mutiple Insert 优化

表src有500条记录。
分别执行插入操作，第一个插入操作如下：

INSERT OVERWRITE TABLE el
SELECTKEY, COUNT（x）
FROM src
WHEREKEY>450GROUPBYKEY;

在这里插入图片描述
第一个插入操作耗时30.536秒。
第二个插入操作如下：

INSERT OVERWRITE TABLE e2
SELECTKEY,COUNT(*)FROM src
WHEREKEY>500GROUPBYKEY;

在这里插入图片描述
第二个插入操作总耗时26.257秒。
两个SQL分别启动两个MR，共耗时56.793秒。
优化如下：

FROM src
INSERT OVERWRITE TABLE el
SELECTKEY,COUNT(*)WHEREKEY>450GROUPBYKEYINSERT OVERWRITE TABLE e2
SELECTKEY,COUNT(*)WHEREKEY>500GROUPBYKEY；

在这里插入图片描述
只启动一个MR，耗时27.187秒，效果提升明显。

1.6.10 当大量表参与 Join 时改用MR

如下场景，需要将用户信息表USER与INDICT_1、INDICT_2、INDICT_3、INDICT_4、INDICT_5等一定数量的指标表进行关联，目标是汇总用户的所有指标到一个新的用户指标表，一方面SQL比较冗长，另一方面由于多次join性能较低。同时后续还需要加入更多同类型的指标表参与连接，届时还需要修改SQL才能完成相应功能。

CREATETABLE USER_INDICT ASSELECTUSER.USERID,
INDICT_1.VALUE, INDICT_2.VALUE, INDICT_3.VALUE, INDICT_4.VALUE, INDICT_5.VALUEJOIN INDICT_1 ONUSER.USERID = INDICT_1. USERID
JOIN INDICT_2 ONUSER. USERID = INDICT_2. USERID
JOIN INDICT_3 ONUSER. USERID = INDICT_3. USERID
JOIN INDICT_4 ONUSER.USERID = INDICT_4. USERID
JOIN INDICT_5 ONUSER. USERID = INDICT_5. USERID ...WHEREUSER.LOC ='shenzhen'；

了解业务需求后，考虑使用直接编写MR实现，MAP的输入为用户信息表USER及所有指标表的目录下的文件，MAP输出为用户ID、指标值，REDUCE输入为用户ID、指标值序列，REDUCE输出为用户ID和按顺序排列的指标值，落地成结果文件。MR程序能做到指标可配置（可配置文件目录名与指标名的映射），扩展性好（不断新增指标只需改配置文件，无须修改代码/SQL），效率更高（一个MR完成指标汇总的所有功能）。

1.6.11 调度器优化

调度器从Superior修改次CapacityScheduler，并且root.default队列的调度策略修改力
fair,fair调度策略能够更好的分配资源，节点间的负载也更加均衡。
在这里插入图片描述
业务场景：执行时间长的作业较多，避免大作业，影响小作业调度。调度优化为公平调度。

1.6.12 Tez 笛卡尔积优化

A表
JOIN
B表
ON
c.play _start time< d.timeendAND c.play_ endtime>- d.timestart-笛卡尔积问题

由于两表join出现笛卡尔积问题，需要增加tez对笛卡尔积的优化set hive.tez.cartesian-product.enabled-true；
该优化利用TEZ的笛卡尔积边，使得可以有多个Reducer处理笛卡尔积的数据，而不是只有1个Reducer处理。
适用业务场景：在进行Joi是没有指定相对精确的条件，出现两表Join时，Join结果为两个表的笛卡尔积。针对笛卡尔积，本质上提升reduce数量、并发以及CPU利用率。
建议：设计Join的SQL时，避免条件不精确。

1.6.13 Hive 读 Hbase 表优化

sethbase.mapreduce.tableinput.mappers.per.region=50；
sethbase.mapreduce.tif.input.autobalance=true；
sethbase.mapreduce.tif.ave.regionsize=536870912;

HiveHIBaseTablelnputFormat

在计算split时，默认一个region作为一个split，当hbase的region不均衡或者region太大时，Map处理时间太久，无法利用资源加速计算过程。

hbase.mapreduce.tableinput.mappers.per.region

参数控制每个region生成的split数量，

hbase.mapreduce.tif.input.autobalance

开关打开后会子自动调整split的大小，使其接近

hbase.mapreduce.tif.ave.regionsize

设定的值，该值默认8GB，因此需要调小至512MB
适用业务场景：Hive作业部分依赖HBase的数据作为输入，Hive根据HBase中region数目做map划分，当HBase中有region数据不均衡存在数据倾斜时，会导致Hive map不均衡（数据量大于数据量小同时存在）。
优化原则：根据region数据量大小均衡分配生成map，增加map并发，处理数据更均衡。

1.6.14 MapJoin 算法优化

set hive.mapjoin.hybridgrace.hashtable-false；

使用hybridgrace mapjoin算法时，小表的数据有一部分在内存中，容易导致内存溢出。该参数关闭后会使用grace mapjoin算法，会对小表的数据进行partition，溢出到磁盘上。
适用业务场景：存在大小表join场景，且小表比较大，加载到内存容易内存溢出，加重gc。
优化原则：小表partition后部分加载到内存，降低内存高负荷，保持整个业务流运行。

1.6.15 数据倾斜优化

例如tmp_1表的message_channelid字段存在倾斜，大部分的值为NULL，只有一个Reducer
处理倾斜数据。

select message_channel id,count(*)fromtemp.tmp_1 
groupby message channel id;

在这里插入图片描述
设置参数

hive.stats.fetch.column.stats-tue，

对表的大小估计更加准确，执行计划中使用MapJoin，没有shuffle过程，不会出现数据倾斜。或者增加

hive.auto.convert.join.noconditionaltask.size

值也可以使得该SQL执行Mapjoin。

hive.optimize.dynamic.partition.hashjoin=true；---hashjoin优化

hive.optimize.skewjoin=true；

适用业务场景：存在过程表数据倾斜，message_chanel id 的NULL取值远大于其他取值，并且只有1个reduce处理。
优化原则：ReduceJoin->MapJoin，避免将倾斜字段取值shuffle到同一个reduce上。利用统计信息和小表阈值，将计算过程优化为mapjoin。

标签： 数据仓库
本文转载自: https://blog.csdn.net/weixin_47884711/article/details/135232626
版权归原作者 泽泽野 所有， 如有侵权，请联系我们删除。
登录后发布评论

“Hive内核调优(三)”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

Linux 再入门整理：详解 /etc/fstab 文件

HBase Java API编程-学习记录

【大数据技术基础 | 实验十二】Hive实验：Hive分区

【前端】CSS

python 爬虫 入门 五、抓取图片、视频

Docker 中使用环境变量的安全实践

[Linux]——常见指令（中）

文章导航