• Hive 优化


    Hive 优化

    Hive优化

    • 核心思想:把Hive SQL当做Mapreduce程序去优化

    • 以下SQL不会转为Mapreduce来执行
      select仅查询本表字段
      where仅对本表字段做条件过滤

    • Explain显示执行计划

    EXPLAIN [EXTENDED] query

    Hive抓取策略:

    • Hive中对某些情况的查询不需要使用MapReduceit算

    抓取策略

    • Set hive.fetch.task.conversion=none/more;

    Hive运行方式:

    本地模式
    集群模式

    • 本地模式
      开启本地模式:

      • set hive.exec mode ,loc al,auto=true;
      • 注意:
      • hive. exec mode local auto inputbyts .max默认值为128M
        -表示加教文件的最大值,若大于该配置仍会以集群方式来运行!

    并行计算

    • 通过设置以下参数开启并行模式: .
      set hive.exec.parallel-tnue;
    • 注意: hive.exec parallel.thread.number
      (-次SQL计算中允许并行执行的job个数的最大值)

    严格模式

    • 通过设置以下参数开启严格模式:
      set hive.mapred.mode=strict;
      (默认为: nonstrict非严格模式)

    • 查询限制:
      1、对于分区表,必须添加where对于分区字段的条件过滤;
      2、order by语句必须包含limit输出限制;
      3、限制执行笛卡尔积的查询。

    Hive排序

    • Order By .对于查询结果做全排序,只允许有一个reduce处理
      (当数据量较大时,应慎用。严格模式下,必须结合imit来使用)
    • Sort By-对于单个reduce的数据进行排序
    • Distribute By -分区排序,经常和Sort By结合使用
    • Cluster By-相当于Sort By + Distribute By
      (Cluster By不能通过asc、 desc的方式指定排序规则;
      可通过distribute by colunn sort by colunn ascldesc的方式)

    Hive Join

    官方文档

    • Join计算时,将小表(驱动表)放在join的左边

    • Map Join:在Map端完成Join
      两种实现方式:
      -1、SQL方式, 在SQL语句中添加MapJoin标记(mapjoin hint)
      语法:
      SELECT /*+ MAPION(mallTable) */ smallTable key, bigTable.value
      FROM smallTable JOIN bigTable ON smallTabl.key = bigTable.key;
      -2、开启自动的MapJoin

    • 关联查询的时候,小表放左边

    • 自动的mapjoin
      -通过修改以下配置启用自动的mapjoin:
      set hive.auto.convet.join = true;
      (该参数为true时, Hive自动对左边的表统计量,如果是小表就加入内存,即对小表
      用Map join)

    相关配置参数:

    • hive.mapjoin.smalltable.filesize;

    (大表小表判断的阈值,如果表的大小小于该值则会被加载到内存中运行)

    • hive.ignore.mapjoin.hint;
      一(默认值: rue; 是否忽略mapjoin hint即mapjoin标记)

    • hive.auto.convert.join.noconditionaltask;

      (默认值: true; 将普通的join转化为普通的mapjoin时, 是否将多个mapjoin转化为-个mapjoin)

    • hive.auto.convert.join.noconditionaltask.size;

      (将多个mapjoin转化为-个mapjoin时,其表的最大值)

    • Hive Join
      尽可能使用相同的连接键(会转化为一个MapReduce作业)

    • 大表join大表.

      • 空key过滤:有时join超时是因为某些key对应的数据太多,而相同key对应的数
        据都会发送到相同的reducer.上,从而导致内存不够。此时我们应该仔细分析这
        些异常的key,很多情况下,这些key对应的数据是异常数据,我们需要在SQL
        语句中进行过滤。
      • 空key转换:有时虽然某个key为空对应的数据很多,但是相应的数据不是异常
        数据,必须要包含在join的结果中,此时我们可以表a中key为空的字段赋一个
        随机的值,使得数据随机均匀地分不到不同的reducer上

    Map-Side聚合

    • 通过设置以下参数开启在Map端的聚合:
      set hive.map.aggr=true;

    相关配置参数:

    • hive.groupby.mapaggr.checkinterval:
      map端group by执行聚合时处理的多少行数据(默认: 100000)
    • hive.map.aggr.hash.min.reduction:
      进行聚合的最小比例(预先对100000条数据做聚合,若聚合之后的数据量100000的值大于该配置0.5,则不会聚合)
    • hive.map.aggr.hash.percentmemory:
      map端聚合使用的内存的最大值
    • hive.map.aggr hash.force.flush.memory .threshold:
      map端做聚合操作是hash表的最大可用内容,大于该值则会触发flush
    • hive.groupby.skewindata
      是否对GroupBy产生的数据倾斜做优化,默认为false

    合并小文件

    文件数目小,容易在文件存储端造成压力,给hdfs造成压力,影响效率

    设置合并属性

    是否合并map输出文件:hive.merge.mapfiles=true
    是否合并reduce输出文件:hive.merge.mapredfiles=true;
    合并文件的大小:hive.merge.size.per.task=25610001000

    去重统计

    数据量小的时候无所谓,数据量大的情况下,由于COUNT DISTINCT操作需要用一个Reduce Task来完成,这一个Reduce需要处理的数据量太大,就会导致整个Job很难完成,一般COUNT DISTINCT使用先GROUP BY再COUNT的方式替换

    控制Hive中Map以及Reduce的数量

    • Map数量相关的参数
      mapred.max.split.size
      一个split的最大值,即每个map处理文件的最大值
      mapred.min.split.size.per.node
      一个节点上split的最小值
      mapred.min.split.size.per.rack
      一个机架上split的最小值

    • Reduce数量相关的参数
      mapred.reduce.tasks
      强制指定reduce任务的数量
      hive.exec.reducers.bytes.per.reducer
      每个reduce任务处理的数据量
      hive.exec.reducers.max
      每个任务最大的reduce数

    Hive - JVM重用

    适用场景:

    1、小文件个数过多

    2、task个数过多

    通过 set mapred.job.reuse.jvm.num.tasks=n; 来设置

    (n为task插槽个数)

    缺点:设置开启之后,task插槽会一直占用资源,不论是否有task运行,直到所有的task即整个job全部执行完成时,才会释放所有的task插槽资源!

    Hive 高可用

    压缩和存储

    记得加油学习哦^_^
  • 相关阅读:
    微信证书发布涉及到的问题
    C# Timer自带定时器
    微信accesstoken回调
    c#数组乱序,打乱数组
    JS 数组乱序
    百度地图LBS开放平台AK一直没有用
    C# 微信支付证书使用
    提交失败问题一:检测到有潜在危险
    apache如何发布地图服务
    Java后端进阶教程
  • 原文地址:https://www.cnblogs.com/shaoyayu/p/13467502.html
Copyright © 2020-2023  润新知