Hive性能优化(全面)

  • 时间:
  • 浏览:4

用于设置合并属性的参数有:

在编写所含 join 操作的代码语句时,应该将条目少的表/子查询装进去 Join 操作符的左边。可能在 Reduce 阶段,发生 Join 操作符左边的表的内容会被加载进内存,载入条目较少的表 能是不是效减少 OOM(out of memory)即内存溢出。所以对于同另一三个小 key 来说,对应的 value 值小的放前,大的放后,这便是“小表放前”原则。若每根语句所含多个 Join,办法 Join 的条件相同是不是,有不同的处理办法。

关于COUNT(DISTINCT)的数据倾斜问题都可不能不能 一概而论,要依状态而定,下面是我测试的一组数据:

而接下来,亲戚亲戚你们 心中应该会有某些问题,影响性能的根源是那些?

示例 1:子查询内有 group by

阿里巴巴开源大数据技术团队成立Apache Spark中国技术社区,定期推送精彩案例,技术专家直播,问答区近万人Spark技术同学在线提问答疑,只为营造纯粹的Spark氛围,欢迎钉钉扫码加入!

SELECT FROM (SELECTT a1,COUNT(1) FROM T GROUP BY a1) subq WHERE subq.prtn=200; #(多余分区)SELECT FROM T1 JOIN (SELECT * FROM T2) subq ON (T1.a1=subq.a2) WHERE subq.prtn=200;

SELECT a,b FROM q WHERE e<10;

裁剪所对应的参数项为:hive.optimize.cp=true(默认值为真)

这里时要修改的参数为:

调优结果显示:针对千万级别的广告位表,由原本 5 个 Job 共 15 分钟,分解为 2 个 job 另一三个小 8-10 分钟,另一三个小 3分钟。

job 数是 2,减少一半,让你 两次 Map/Reduce 比 COUNT(DISTINCT)速率单位更高。

比分别过滤数字 id,字符串 id 让你 分别和商品表关联性能要好。

亲戚亲戚你们 知道了性能低下的根源,同样,亲戚亲戚你们 都里可不能不能从Hive的配置解读去优化。Hive系统组织组织结构已针对不同的查询预设定了优化办法,用户都可不能不能通过调整配置进行控制, 以下举例介绍主次优化的策略以及优化控制选项。

统计每日IP(改造)

调优结果:经过测试,并未再次出先 union all 的 Hive Bug,数据是一致的。MapReduce 的 作业数由 3 减少到 1。

相关的参数为:

首先,亲戚亲戚你们 来看看Hadoop的计算框架形状,在此形状下会衍生那些问题?

进行GROUP BY操作时时要注意一下几点:

一张表 s8 的日志,每个商品每根记录,要和商品表关联。但关联却碰到倾斜的问题。s8 的日志所含 32 为字符串商品 id,也有数值商品 id,日志中类型是 string 的,但商品中的 数值 id 是 bigint 的。猜想问题的因为是把 s8 的商品 id 转成数值 id 做 hash 来分配 Reduce, 所以字符串 id 的 s8 日志,都到另一三个小 Reduce 上了,处理的办法验证了某些猜测。

在实施此项查询中,Q 表有 5 列(a,b,c,d,e),Hive 只读取查询逻辑中真实时要 的 3 列 a、b、e,而忽略列 c,d;原本做节省了读取开销,底下表存储开销和数据整合开销。

问题:比如推广效果表要和商品表关联,效果表中的 auction_id 列既有 32 为字符串商 品 id,也有数字 id,和商品表关联得到商品的信息。

CREATE TABLE ip_2014_12_29 AS SELECT COUNT(1) AS IP FROM (SELECT DISTINCT ip from logdfs WHERE logdate=’2014_12_29′) tmp;

问题:不同数据类型 id 的关联会产生数据倾斜问题。

计算 uv 的原本,总爱会用到 COUNT(DISTINCT),但在数据比较倾斜的原本 COUNT(DISTINCT) 会太难。这时都可不能不能尝试用 GROUP BY 改写代码计算 uv。

从业务逻辑上说,子查询内的 GROUP BY 为什么会就看显得多余(功能上的多余,除非有 COUNT(DISTINCT)),可能也有可能 Hive Bug 可都可不能不能上的考量(原本再次出先可能不执行子查询 GROUP BY,数据得都可不能不能 正确的结果的 Hive Bug)。所以某些 Hive 按经验转加进去如下所示:

查询语句若将“subq.prtn=200”条件装进去子查询中更为高效,都可不能不能减少读入的分区 数目。Hive 自动执行某些裁剪优化。

对开源大数据和感兴趣的同学都可不能不能加小编微信(下图二维码,备注“进群”)进入技术交流微信群。

在工作中亲戚亲戚你们 总结出:方案 2 的开销等于方案 1 的第二步的开销,性能提升,由原有的 25 分钟完成,缩短为 10 分钟以内完成。节省了另一三个小 临时表的读写是另一三个小 关键因为,某些办法也适用于 Oracle 中的数据查找工作。

可能 Join 的条件不相同,比如:

Hadoop的核心能力是parition和sort,因而这也是优化的根本。

如下所示:优化办法

Hive 对 union all 的优化的形状:对 union all 优化只局限于非嵌套查询。

处理办法 1

统计每日IP

SQL 具有普适性,所以 SQL 通用的优化方案在 Hadoop 分布式计算办法中都里可不能不能达到效果。

处理办法 2 如下所示:函数过滤 null

INSERT OVERWRITE TABLE s_dw_tanx_adzone_uv PARTITION (ds=20120329)SELECT 20120329 AS thedate,adzoneid,COUNT(DISTINCT acookie) AS uv FROM s_ods_log_tanx_pv t WHERE t.ds=20120329 GROUP BY adzoneid

如下所示:常用办法

第三步:关联 t1,t2,得到最终的结果。

Join 操作在 Map 阶段完成,不再时要Reduce,前提条件是时要的数据在 Map 的过程中都可不能不能访问到。比如查询:

Hive 在读数据的原本,都可不能不能只读取查询中所时要用到的列,而忽略其它列。你這個,若有以下查询:

t1 相当于另一三个小 目录,t2 相当于另一三个小 目录,对 Map/Reduce 守护进程来说,t1,t2 都可不能不能作为 Map/Reduce 作业的 mutli inputs。这都可不能不能通过另一三个小 Map/Reduce 来处理某些问题。Hadoop 的 计算框架,不怕数据多,就怕作业数多。

优化时把握整体,单个作业最优不如整体最优。

都可不能不能在查询的过程中减少太大要的分区。你這個,若有以下查询:

调优结果显示:数据表处理由 1 小时 200 分钟经代码调整能不都可不能不能在 20 分钟内完成。

此处时要设定 hive.groupby.skewindata,当选项设定为 true 是,生成的查询计划有两 个 MapReduce 任务。在第另一三个小 MapReduce 中,map 的输出结果集合会随机分布到 reduce 中, 每个 reduce 做主次聚合操作,并输出结果。原本处理的结果是,相同的 Group By Key 有可 能整理到不同的 reduce 中,从而达到负载均衡的目的;第3个 MapReduce 任务再根据预处 理的数据结果按照 Group By Key 分布到 reduce 中(某些过程都可不能不能保证相同的 Group By Key 分布到同另一三个小 reduce 中),最后完成最终的聚合操作。

亲戚亲戚你们 知道文件数目小,容易在文件存储端造成瓶颈,给 HDFS 带来压力,影响处理速率单位。对此,都可不能不能通过合并Map和Reduce的结果文件来消除原本的影响。

可能reduce太大:可能数据量很大,会因为某些reduce异常的慢,从而因为某些任务都可不能不能 过后过后刚开始英文,也有可能会OOM 2、可能reduce太大: 产生的小文件太大,合并起来代价太高,namenode的内存占用也会增大。可能亲戚亲戚你们 不指定mapred.reduce.tasks, hive会自动计算时要十几个 个reducer。

下面给出办法1的思路,实现步骤如下:

第一步:利用分析函数,取每个 user_id 最近一天的主营类目,存入临时表 t1。

测试结果表名:明显改造后的语句比原本耗时,这是可能改造后的语句有另一三个小 SELECT,多了另一三个小 job,原本在数据量小的原本,数据不让发生倾斜问题。

场景:有一张 user 表,为卖家每天收到表,user_id,ds(日期)为 key,属性有主营类目,指标有交易金额,交易笔数。每天要取前10天的总收入,总笔数,和最近一天的主营类目。

事实上不倘若所有的聚合操作都时要在reduce主次进行,所以聚合操作都都可不能不能先在Map端进行主次聚合,让你 reduce端得出最终结果。

hive.mapjoin.cache.numrows = 20000

Map-Reduce 的任务数目和 Join 操作的数目是对应的,上述查询和以下查询是等价的:

hive.map.aggr=true(用于设定是不是在 map 端进行聚合,默认值为真) hive.groupby.mapaggr.checkinterval=200000(用于设定 map 端进行聚合操作的条目数)

原本写的好处:1 个 MapReduce 作业,商品表只读一次,推广效果表只读取一次。把 某些 SQL 加进去 Map/Reduce 代码语句,Map 的原本,把 a 表的记录打上标签 a,商品表记录 每读取每根,打上标签 b,变成另一三个小 对,<(b,数字 id),value>,<(b,字符串 id),value>。

熟练地使用 SQL,能写出高速率单位的查询语句。

分区参数为:hive.optimize.pruner=true(默认值为真)

处理办法:把数据类型转加进去字符串类型

面对那些问题,亲戚亲戚你们 能有那些有效的优化手段呢?下面列出某些在工作有效可行的优化手段:

hive.mapjoin.size.key = 20000

底下代码运行会有 5 个 jobs。加入先 JOIN 生存临时表语句 t5,让你 UNION ALL,会变成 2 个 jobs。

观察Hadoop处理数据的过程,有十几个 显著的形状:

处理办法:Hive SQL 性能会比较好

所以商品表的 HDFS 读取只会是一次。

主要由另一三个小 属性来决定:

第二步:汇总 10 天的总交易金额,交易笔数,存入临时表 t2。

亲戚亲戚你们 在工作中总结出:处理办法2比处理办法1效果更好,不但IO少了,让你 作业数也少了。处理办法1中log读取两次,job 数为2。处理办法2中 job 数是1。某些优化适合无效 id(比如-99、 ‘’,null 等)产生的倾斜问题。把空值的 key 变成另一三个小 字符串加进去去随机数,就能把倾斜的 数据分到不同的Reduce上,从而处理数据倾斜问题。可能空值不参与关联,即使分到不同 的 Reduce 上,所以 会影响最终的结果。附上 Hadoop 通用关联的实现办法是:关联通过二次排序实现的,关联的列为 partion key,关联的列和表的 tag 组成排序的 group key,根据 pariton key分配Reduce。同一Reduce内根据group key排序。

测试数据:169857条

多表 union all 会优化成另一三个小 job。

可能子查询里头有 COUNT(DISTINCT)操作,直接去 GROUP BY 将达都可不能不能 业务目标。这时采用 临时表消灭 COUNT(DISTINCT)作业不但能处理倾斜问题,还能有效减少 jobs。

处理办法 2

RAC(Real Application Cluster)真正应用集群就像个油机动灵活的小货车,响应快;Hadoop就像吞吐量巨大的轮船,启动开销大,可能每次只做小数量的输入输出,利用率可能很低。所以用好Hadoop的首要任务是增大每次任务所搭载的数据量。

处理办法 1:user_id 为空的不参与关联,子查询过滤 null

作者:浪尖

原文链接本文转载自公众号:Spark学习技巧

CREATE TABLE ip_2014_12_29 AS SELECT COUNT(DISTINCT ip) AS IP FROM logdfs WHERE logdate=’2014_12_29′;

调优结果:千万级别的类目表,member 表,与 10 亿级得商品表关联。原本 1963s 的任务经过调整,1152s 即完成。

最后得出的结论是:避实就虚,用 job 数的增加,输入量的增加,占用更多存储空间,充分利用空闲 CPU 等各种办法,分解数据倾斜造成的负担。

在使用写有 Join 操作的查询语句时有每根原则:应该将条目少的表/子查询装进去 Join 操作符的左边。因为是在 Join 操作的 Reduce 阶段,发生 Join 操作符左边的表的内容会被加载进内存,将条目少的表装进去左边,能是不是效减少发生 OOM 错误的几率。对于每根语句所含多个 Join 的状态,可能 Join 的条件相同,比如查询:

耗时:46.833 seconds

hive.join.emit.interval = 2000

优化时,把hive sql当做mapreduce守护进程来读,会有意想都可不能不能 的惊喜。理解hadoop的核心能力,是hive优化的根本。这是某些年来,项目组所有成员宝贵的经验总结。

问题:日志中常会再次出先信息丢失,比如每日约为 20 亿的全网日志,其中的 user_id 为主 键,在日志整理过程中会丢失,再次出先主键为 null 的状态,可能取其中的 user_id 和 bmw_users 关联,就会碰到数据倾斜的问题。因为是 Hive 中,主键为 null 值的项会被当做相同的 Key 而分配进同另一三个小 计算 Map。

但可能加进去是某些计算平台如 Oracle,那就不一定了,可能把大的输入拆成另一三个小 输入, 分别排序汇总后 merge(倘若另一三个小 子排序是并行语句),是有可都可不能不能更优的(比如希尔排 序比冒泡排序的性能更优)。

都可不能不能在 Map 阶段完成 Join.

hive性能优化时,把HiveQL当做M/R守护进程来读,即从M/R的运行深度来考虑优化性能,从更底层思考怎样优化运算性能,而不仅仅局限于逻辑代码的替换层面。

调优结果:原本可能数据倾斜因为运行时长超过 1 小时,处理办法 1 运行每日平均时长 25 分钟,处理办法 2 运行的每日平均时长在 20 分钟左右。优化效果很明显。

耗时:24.2005 seconds