面試必備技能-HiveSQL優化

王知無 大資料技術與架構

Hive SQL基本上适用大資料領域離線資料處理的大部分場景。Hive SQL的優化也是我們必須掌握的技能，而且，面試一定會問。那麼，我希望面試者能答出其中的80%優化點，在這個問題上才算過關。

• Hive優化目标
  • 在有限的資源下，執行效率更高
• 常見問題
  • 資料傾斜
  • map數設定
  • reduce數設定
  • 其他

* Hive執行

• HQL --> Job --> Map/Reduce
• 執行計劃
• explain [extended] hql
• 樣例
• select col,count(1) from test2 group by col;
• explain select col,count(1) from test2 group by col;

• Hive表優化

• 分區
  • set hive.exec.dynamic.partition=true;
  • set hive.exec.dynamic.partition.mode=nonstrict;
  • 靜态分區
  • 動态分區
• 分桶
  • set hive.enforce.bucketing=true;
  • set hive.enforce.sorting=true;
• • 相同資料盡量聚集在一起

• Hive Job優化

• 并行化執行
  • 每個查詢被hive轉化成多個階段，有些階段關聯性不大，則可以并行化執行，減少執行時間
  • set hive.exec.parallel= true;
  • set hive.exec.parallel.thread.numbe=8;
• 本地化執行
  • job的輸入資料大小必須小于參數:hive.exec.mode.local.auto.inputbytes.max(預設128MB)
  • job的map數必須小于參數:hive.exec.mode.local.auto.tasks.max(預設4)
  • job的reduce數必須為0或者1
  • set hive.exec.mode.local.auto=true;
  • 當一個job滿足如下條件才能真正使用本地模式:
• job合并輸入小檔案
  • set hive.input.format = org.apache.hadoop.hive.ql.io.CombineHiveInputFormat
  • 合并檔案數由mapred.max.split.size限制的大小決定
• job合并輸出小檔案
  • set hive.merge.smallfiles.avgsize=256000000;當輸出檔案平均小于該值，啟動新job合并檔案
  • set hive.merge.size.per.task=64000000;合并之後的檔案大小
• JVM重利用
  • set mapred.job.reuse.jvm.num.tasks=20;
  • JVM重利用可以使得JOB長時間保留slot,直到作業結束，這在對于有較多任務和較多小檔案的任務是非常有意義的，減少執行時間。當然這個值不能設定過大，因為有些作業會有reduce任務，如果reduce任務沒有完成，則map任務占用的slot不能釋放，其他的作業可能就需要等待。
• 壓縮資料
  • set hive.exec.compress.output=true;
  • set mapred.output.compreession.codec=org.apache.hadoop.io.comp ress.GzipCodec;
  • set mapred.output.compression.type=BLOCK;
  • set hive.exec.compress.intermediate=true;
  • set hive.intermediate.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;

  • set hive.intermediate.compression.type=BLOCK;

    中間壓縮就是處理hive查詢的多個job之間的資料，對于中間壓縮，最好選擇一個節省cpu耗時的壓縮方式

    hive查詢最終的輸出也可以壓縮

• Hive Map優化

• set mapred.map.tasks =10; 無效
• (1)預設map個數
  • default_num=total_size/block_size;
• (2)期望大小
  • goal_num=mapred.map.tasks;
• (3)設定處理的檔案大小
  • split_size=max(mapred.min.split.size,block_size);
  • split_num=total_size/split_size;
• (4)計算的map個數
• compute_map_num=min(split_num,max(default_num,goal_num))
• 經過以上的分析，在設定map個數的時候，可以簡答的總結為以下幾點：
  • 增大mapred.min.split.size的值
  • 如果想增加map個數，則設定mapred.map.tasks為一個較大的值
  • 如果想減小map個數，則設定mapred.min.split.size為一個較大的值
  • 情況1：輸入檔案size巨大，但不是小檔案
  • 情況2：輸入檔案數量巨大，且都是小檔案，就是單個檔案的size小于blockSize。這種情況通過增大mapred.min.split.size不可行，需要使用combineFileInputFormat将多個input path合并成一個InputSplit送給mapper處理，進而減少mapper的數量。
• map端聚合
  • set hive.map.aggr=true;
• 推測執行
  • mapred.map.tasks.apeculative.execution

• Hive Shuffle優化

• Map端
  • io.sort.mb
  • io.sort.spill.percent
  • min.num.spill.for.combine
  • io.sort.factor
  • io.sort.record.percent
• Reduce端
  • mapred.reduce.parallel.copies
  • mapred.reduce.copy.backoff
  • mapred.job.shuffle.input.buffer.percent

• Hive Reduce優化

• 需要reduce操作的查詢
  • group by,join,distribute by,cluster by...
  • order by比較特殊,隻需要一個reduce
  • sum,count,distinct...
  • 聚合函數
  • 進階查詢
• • mapred.reduce.tasks.speculative.execution
  • hive.mapred.reduce.tasks.speculative.execution
• • numRTasks = min[maxReducers,input.size/perReducer]
  • maxReducers=hive.exec.reducers.max
  • perReducer = hive.exec.reducers.bytes.per.reducer
  • hive.exec.reducers.max 預設 ：999
  • hive.exec.reducers.bytes.per.reducer 預設:1G
  • set mapred.reduce.tasks=10;直接設定
  • 計算公式

• Hive查詢操作優化

• join優化

  • 關聯操作中有一張表非常小
  • 不等值的連結操作
  • set hive.auto.current.join=true;
  • hive.mapjoin.smalltable.filesize預設值是25mb
  • select /+mapjoin(A)/ f.a,f.b from A t join B f on (f.a=t.a)
  • hive.optimize.skewjoin=true;如果是Join過程出現傾斜，應該設定為true
  • set hive.skewjoin.key=100000; 這個是join的鍵對應的記錄條數超過這個值則會進行優化
  • mapjoin
  • 簡單總結下,mapjoin的使用場景:
• • 兩個表以相同方式劃分桶
  • 兩個表的桶個數是倍數關系
  • crete table order(cid int,price float) clustered by(cid) into 32 buckets;
  • crete table customer(id int,first string) clustered by(id) into 32 buckets;
  • select price from order t join customer s on t.cid=s.id

• join 優化前

  • select m.cid,u.id from order m join customer u on m.cid=u.id where m.dt='2013-12-12';

• join優化後

  • select m.cid,u.id from (select cid from order where dt='2013-12-12')m join customer u on m.cid=u.id;

• group by 優化

  • hive.groupby.skewindata=true;如果是group by 過程出現傾斜 應該設定為true
  • set hive.groupby.mapaggr.checkinterval=100000;--這個是group的鍵對應的記錄條數超過這個值則會進行優化

• count distinct 優化

• 優化前
  • select count(distinct id) from tablename
• 優化後
  • select count(1) from (select distinct id from tablename) tmp;
  • select count(1) from (select id from tablename group by id) tmp;
• • select a,sum(b),count(distinct c),count(distinct d) from test group by a
• • select a,sum(b) as b,count(c) as c,count(d) as d from(select a,0 as b,c,null as d from test group by a,c union all select a,0 as b,null as c,d from test group by a,d union all select a,b,null as c,null as d from test)tmp1 group by a;