hive 参数优化

最近为了调试hive试了很多hive参数，对于hive任务优化，减少使用内存有一些自己的见解，在此做一个记录。

一：mapreduce的基本流程及阶段可进行的优化操作

• （其实有很多不用设置有默认的设置，此处做面试，参考设置在下一节）
• 附上网上的一张老图（虽然老但是很具有代表性，哈哈哈）
• 
• 上面的图知道，对于mapreduce任务可分为以上几个步骤，input、splitting、Mapping、Shuffing、reducing、finalresult，我们可以对这些阶段进行分别的优化！！

1. Splitting阶段优化：将输入数据进行按照大小节分，分成不同的块。

优化点：

• 适当增加切割块的大小（单个节点先按照maxsize进行切分，剩下的进行minsize大小的合并。然后是节点之间的合并，最后是机架之间的合并。）

    set mapreduce.input.fileinputformat.split.minsize = 1024000000;
    set mapreduce.input.fileinputformat.split.maxsize = 1024000000;（默认256M）
    set mapreduce.input.fileinputformat.split.minsize.per.node= 1024000000;
    set mapreduce.input.fileinputformat.split.maxsize.per.node= 1024000000;（默认1b）
    set mapreduce.input.fileinputformat.split.minsize.per.rack= 1024000000; 
    set mapreduce.input.fileinputformat.split.maxsize.per.rack= 1024000000;（默认1b）
    set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;（默认存在）

2. Mapping阶段优化：将相同的key进行对应的转换，其实map的个数取决于上一阶段切割的最终的数据块个数。

优化点：

手动规定map的个数（例子：任务中有100个map，但是可以使map分批执行一批10个）

• set mapreduce.job.running.map.limit=20;

规定map同时并行的个数（例子：任务中有100个map，但是可以使map分批执行一批10个）

• set mapreduce.map.memory.mb=3584;(3.5G内存) 默认2.1倍会杀掉

限制map可使用的最大内存

• set hive.map.aggr = true
• set hive.groupby.mapaggr.checkinterval = 100000（将数据每100000进行聚合）

3. Shuffing阶段优化：将相同的的key放到一个reduce中，其实是一个网络传输的过程。

优化点：
map后进行压缩（压缩后自动解压）

• set mapreduce.map.output.compress=true（map输出压缩，mapreduce参数）
• set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.GzipCodec（map输出压缩格式，mapreduce参数）

map后进行合并文件操作

• set hive.merge.mapfiles = true（新启一个job完成合并，合并多大set hive.merge.size.per.task决定）

4. reducing阶段优化：进行数据累加操作，并将结果传输到对应的文件中。

优化点：
手动规定reduce的个数

• set mapred.reduce.tasks = 20;
  规定reduce同时并行的个数
  （例子：任务中有100个reduce，但是可以使reduce分批执行一批10个）
• set mapreduce.job.running.reduce.limit=80;

限制reduce可使用的最大内存

• set mapreduce.reduce.memory.mb=7168;(7G内存) 默认2.1倍会杀掉
  设置每个reduce可处理的数据大小（直接决定reduce个数）

• set hive.exec.reducers.bytes.per.reducer=102410001000;
  reduce最大个数

• set hive.exec.reducers.max =2000;(mapreduce.job.running.reduce.limit变相使用)
  reduce后可进行文件合并

• set hive.merge.sparkfiles = false（spark引擎，结束后合并文件，新启动一个任务）

• set hive.merge.tezfiles = false（tez引擎，结束后合并文件，新启动一个任务）

• set hive.merge.mapredfiles = true（mapreduce引擎，结束后合并文件，新启动一个任务）

• set hive.merge.smallfiles.avgsize =10010001000 （输出文件小于当前值的时候，任务结束后合并文件的大小）

• set hive.merge.size.per.task = 102410001000 （将文件合并成为多大）

5. finalresult阶段优化：其实就是写文件的过程。

优化点：
reduce后要进行压缩写到HDFS（每个节点单独跑任务，但是最后的结果需要汇聚到一处）

• set mapreduce.output.fileoutputformat.compress=false // 默认值是 false reduce属性
• set mapreduce.output.fileoutputformat.compress.type=BLOCK // 默认值是 Record reduce属性
• set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.GzipCodec // 默认值是 org.apache.hadoop.io.compress.DefaultCodec

6. 其他优化：

JVM优化：一个JVM运行的job数是有上限的，我们可以设置最大执行的个数

• set mapreduce.job.jvm.numtasks=100

并发及并发线程数优化：job的子查询可能没关系，所以可以开启并发查询

• set hive.exec.parallel = true;
• set hive.exec.parallel.thread.number=8;

分区优化：hive有桶表和分区表，可开启动态分区（其实就是不同文件夹）

• set hive.exec.dynamic.partition=true
• set hive.exec.dynamic.partition.mode=nonstrict（分区表分为严格模式和非严格模式）

job之间优化：

• set hive.exec.compress.output=true;（最终结果压缩。若map压缩和reduce压缩都没有用，改参数使用的话。两个job第一个job后数据不压缩，第二个job输出压缩）
• set hive.exec.compress.intermediate=true（若map压缩reduce压缩最终输出压缩都没有用，改参数使用的话。两个job第一个job后数据压缩，第二个job输出不压缩） SQL优化：

二：常用hive参数优化

    其实上面是对每一个阶段都进行数据优化，有很多参数都是默认开启或者有默认值的。
    只需要用到常用的几个就行，其他的作为面试。下面列举出比较常用的：

1. Splitting阶段：将输入小文件合并成为大文件

• set mapreduce.input.fileinputformat.split.minsize = 1024000000;（参数mapreduce.map.memory.mb=3584 默认2.1倍会杀掉，一个map申请3.5G内存不用浪费了）
• set mapreduce.input.fileinputformat.split.maxsize = 1024000000;
• set mapreduce.input.fileinputformat.split.minsize.per.node= 1024000000;
• set mapreduce.input.fileinputformat.split.maxsize.per.node= 1024000000;
• set mapreduce.input.fileinputformat.split.minsize.per.rack= 1024000000;
• set mapreduce.input.fileinputformat.split.maxsize.per.rack= 1024000000;

2. map阶段一般很快，参数可以不设置

reduce阶段

• set mapreduce.job.running.reduce.limit=80;（例子：任务中有100个reduce，但是可以使reduce分批执行一批10个）

3. 合并小文件

hive合并文件是新启动一个任务合并文件，感觉这个参数不太合适，有这个时间不如直接输出（map和reduce阶段都是一样的）。

4. 压缩文件

（这个参数十分好，压缩不仅仅节约空间而且在网络传输的时候比较省宽带，mapreduce和spark都是默认可以解压缩的，比较方便。）

• set mapreduce.map.output.compress=true（map输出压缩，map阶段参数）
• set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.GzipCodec（map输出压缩格式，map阶段参数）
• set mapreduce.output.fileoutputformat.compress=false // 默认值是 false reduce阶段参数
• set mapreduce.output.fileoutputformat.compress.type=BLOCK // 默认值是 Record reduce阶段参数
• set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.GzipCodec // 默认值是 org.apache.hadoop.io.compress.DefaultCodec
• set hive.exec.compress.output=true;（最终结果压缩。若map压缩和reduce压缩都没有用，改参数使用的话。两个job第一个job后数据不压缩，第二个job输出压缩）
• set hive.exec.compress.intermediate=true（若map压缩reduce压缩最终输出压缩都没有用，改参数使用的话。两个job第一个job后数据压缩，第二个job输出不压缩）

5. 矢量模式 一次读取1024行

6. 并发优化

• set hive.exec.parallel = true;
• set hive.exec.parallel.thread.number=8;

7. 数据倾斜优化：

• set hive.optimize.skewjoin=true;
• set hive.skewjoin.key=100000;（超过10000个相同的key就认为是数据倾斜，需要进行打散处理）

8. 分区优化（建表的时候要partation by ）：

• set hive.exec.dynamic.partition=true
• set hive.exec.dynamic.partition.mode=nonstrict（分区表分为严格模式和非严格模式）

9. SQL优化

小表往前放、多重模式(查一张表的多次插入)（from a insert insert 1 insert 2）
map join、桶表

10. 推测执行

执行慢的换别人执行

三：hive杂项

1.hive参数配置：

• Hive UI------>>>>Hive Configuration页签找到（版本与版本之间参数的名字不太一样一定要看清楚配置的名字，最好使用最新的配置名称）

2.hivesql使用内存资源

• hivesql使用资源可在YARN的管理界面中RUNNING中看到，需要时不时刷新因为是动态的。
  （一般为3.5gmap个数字+7greduce个数）

3.hivesql生成的job的map个数reduce个数

• 可在YARN的管理界面中FINISHED中找到job后点击History，进去之后就会看到map数和reduce数