Hive调优总结

参数设置

概述:hive的参数配置, 就是在那里配置hive的参数信息, 根据配置地方不同, 作用范围也不一样.
配置方式:
1. set方式进行设置.
2. 命令行方式进行设置.
3. 配置文件方式进行设置.

优先级问题:
set方式 > 命令行方式 > 配置文件方式
作用范围:
set方式 < 命令行方式 < 配置文件方式
细节:
1. set方式, 格式为: set 属性名=属性值;
例如: set mapreduce.job.reduces=n;
2. 命令行方式, 就是在启动 hiveserver2服务的时候, 设置的参数.
nohup hive --service hiveserver2 --hiveconf hive.root.logger=DEBUG,console &
3. 配置文件方式.
修改hive-default.xml文件
4. 实际开发中, 推荐使用 set方式进行临时设置.

存储和压缩方式

1. Hive压缩方式:
   概述:
   压缩方式就类似于windows的压缩包, 可以降低传输, 提高磁盘利用率.
   区分压缩协议好坏的参考维度:
   1. 压缩比, 即: 压缩后文件大小.
   2. 解压速度, 即: 读的速度.
   3. 压缩速度, 即: 写的速度.
   推荐使用:
   GZIP: 压缩后文件相对较小, 压缩 和 解压速度相对较慢.
   Snappy: 压缩后文件相对大一点, 压缩 和 解压速度非常快.
2. Hive表存储方式
   概述:
   分为 行存储 和 列存储两种.
   具体划分:
   行存储: TextFile(默认), SequenceFile
   列存储: ORC(推荐), Parquet
   面试题: 行存储 和 列存储的区别?
   行存储:
   优点: select * 效率高.
   缺点: select 列 效率低, 每列数据类型不一致, 密集度较低, 占用资源较多(CPU, 磁盘, 内存)
   列存储:
   优点: select 列 效率高, 每列数据类型一致, 密集度较高, 占用资源较少(CPU, 磁盘, 内存)
   缺点: select * 效率低.
   结论:
   以后建表, 推荐: orc(列存储) + snappy(压缩协议)

Fetch抓取

核心点:
在执行HiveSQL的时候, 能不转MR, 就不转MR.
设置方式:
set hive.fetch.task.conversion=fetch抓取的模式;
Fetch抓取模式介绍:
more: 默认的, 全表扫描, 查询指定的列, limit分页查询, 简单查询不走MR, 其它的要转MR任务.
minimal: 全表扫描, 查询指定的列, limit分页查询不走MR, 其它的要转MR任务.
none: 所有的HiveSQL, 底层都要转MR.

本地模式

核心点:
如果HiveSQL必须要转成MR任务来执行, 则尽量在本机(本地)直接执行, 而不是交由Yarn来调度执行, 针对于数据量比较小的需求, 可以提高效率.
相关设置:
--开启本地mr
set hive.exec.mode.local.auto=true;
--设置local mr的最大输入数据量，当输入数据量小于这个值时采用local mr的方式，默认为134217728，即128M
set hive.exec.mode.local.auto.inputbytes.max=134217728;
--设置local mr的最大输入文件个数，当输入文件个数小于这个值时采用local mr的方式, 默认为4
set hive.exec.mode.local.auto.input.files.max=4;

join优化

小表join大表:
开启Map段的join, 在内存中完成处理, 避免把join的动作交给ReduceTask段来处理, 出现数据倾斜的情况.
参考如下配置, 即: 设置map端join
set hive.auto.convert.join = true;
set hive.mapjoin.smalltable.filesize= 25000000;
大表join大表:
思路1: 空key过滤, 降低处理的数据量.
思路2: 空key转换, 必须大量的null值, 提高数据的处理数据.

SQL优化

1. 列裁剪.
   能写 select 列1, 列2... 就不要写 select *
2. 分区裁剪
   编写SQL的时候, 能使用分区条件, 建立一定要写分区字段.
3. 开启负载均衡.
   如果key分布不均, 就可能导致数据倾斜的问题(Group by数据倾斜), 可以通过 开启负载均衡解决.
   开启负载均衡之后, 如果遇到了GroupBy数据倾斜问题, 程序的底层会开启两个MR任务,
   第1个MR负责将(发生数据倾斜的)数据随机打散, 交由不同的ReduceTask任务来处理, 获取结果.
   第2个MR会将 第1个MR的结果当做数据源来处理, 进行最终的合并动作, 获取最终结果.
   开启负载均衡的代码如下:set hive.groupby.skewindata=true;

4.关于去重统计的问题.
如果数据量相对较小, 可以直接写: select count(distinct id列) from 表名; 去重统计, 底层会转成1个MR任务.
如果数据量相对较大, 上述的SQL语句, 可能会执行失败, 就可以通过 group by + count的思路来解决, 具体如下:
select count(id列) from (select id from 表名 group by id) t1; 底层会转2个MR任务.
5.关于笛卡尔积.
实际开发中, 尽量避免出现笛卡尔积的情况, 可以节约资源, 提高查询效率.
例如:
1. 写join连接的时候, 别忘记写关联条件, 且关联条件别写错.
2. 关联条件尽量写到on中, 而不是where中, 即: 尽量使用显式连接, 而不是隐式内连接.
3. 如果join的时候, 关联字段不清楚, 记得找 业务人员, 需求方, 数据库管理员对接.

动态分区

建议动态分区的时候, 关闭严格模式(默认开启), 严格模式要求: 动态分区的时候, 至少指定1个静态分区.
格式:
动态分区: partition(分区字段)
静态分区: partition(分区字段=值)
重点参数:
set hive.exec.dynamic.partition.mode=nonstrict;
set hive.exec.dynamic.partition=true;
可选参数:
set hive.exec.max.dynamic.partitions=1000;
set hive.exec.max.dynamic.partitions.pernode=100;
set hive.exec.max.created.files=100000;

并行度和并行执行机制

并行度:
即: 根据业务要求, 增大或者减少MapTask 和 ReduceTask的任务数.
例如: 大量的小文件, 就会有大量的Block块, 就有大量的MapTask任务, 针对于这种情况: 我们可以使用归档技术, 把多个小文件合并成1个大文件, 降低MapTask任务数.
例如: 1个Block块 = 1个MapTask任务, 但是业务逻辑较复杂, 1个MapTask处理速度肯定较慢, 可以增大MapTask任务数.
例如: 1个ReduceTask任务 = 1个最终的结果文件, 增大或者减少ReduceTask任务数, 可以调整最终落盘到磁盘上的结果文件数.
并行执行:
默认Hive同一时间只能执行1个阶段, 如果多个阶段之间的依赖度比较低, 就可以开启并行执行, 让多个阶段同时执行, 降低MR job任务的执行时间.
set hive.exec.parallel=true;
set hive.exec.parallel.thread.number=16;

严格模式

核心点:
禁用低效的SQL.
设置方式:
set hive.mapred.mode=strict | nonstrict;
细节:
1. 这个严格模式是禁用低效的SQL, 和动态分区的严格模式没有任何关系.
2. 严格模式是禁用低效的SQL, 例如, 如下的SQL是禁止执行的:
(1)分区表, 查询时, 没有写分区字段.
(2)order by全局排序时, 没有写limit
(3)禁用笛卡尔积.

JVM重用

核心点:
当MR任务执行结束后, Yarn创建的Container资源容器不会立即销毁, 而是可以重复使用.
原因:
如果遇到大量生命周期短的MR任务时, 频繁的创建和销毁Container资源容器是非常消耗资源的.

推测执行

核心点:
类似于木桶效应(装多少水取决于最短的哪个木板), job任务执行多长时间, 取决于执行最慢的哪个任务.
针对于这种情况, 可以基于哪些"拖后腿"(执行速度过于慢)的任务, 可以搞1个它的备份任务, 让这个备份任务,
和它处理同一份数据, 谁先执行完毕, 就将其结果作为最终结果.
建议:
默认是开启的, 建议关闭, 具体: 看需求.

explain执行计划

格式:explain HiveSQL语句
作用:可以查看HiveSQL语句的执行计划, 即: 把该SQL分成了几个阶段来执行, 阶段越少, 相对执行速度越快.