本人認(rèn)為hive是很好的工具，目前支持mr，tez，spark執(zhí)行引擎，有些大公司原來封裝的sparksql，開發(fā)py腳本，但是目前hive支持spark引擎（不是很穩(wěn)定，建議Tez先），所以離線還是用hive比較好。

先將工作中總結(jié)，以及學(xué)習(xí)其他人的hive優(yōu)化總結(jié)如下：

一. 表連接優(yōu)化 這是比較常見的問題

1. ?將大表放后頭

Hive假定查詢中最后的一個表是大表。它會將其它表緩存起來，然后掃描最后那個表。

因此通常需要將小表放前面，或者標(biāo)記哪張表是大表：/*streamtable(table_name) */

2. 使用相同的連接鍵

當(dāng)對3個或者更多個表進(jìn)行join連接時，如果每個on子句都使用相同的連接鍵的話，那么只會產(chǎn)生一個MapReduce job。

3. 盡量盡早地過濾數(shù)據(jù)

減少每個階段的數(shù)據(jù)量,對于分區(qū)表要加分區(qū)，同時只選擇需要使用到的字段。

4.?盡量原子化操作

盡量避免一個SQL包含復(fù)雜邏輯，可以使用中間表來完成復(fù)雜的邏輯

?

二. 用insert into替換union all，數(shù)據(jù)量大的時候很明顯

如果union all的部分個數(shù)大于2，或者每個union部分?jǐn)?shù)據(jù)量大，應(yīng)該拆成多個insert into 語句，實際測試過程中，執(zhí)行時間能提升50%

?

如：

insert overwite table tablename partition (dt= ....) 　

select ..... from ( select ... from A?

union all 　

select ... from B 　union all select ... from C ) R 　

where ...;

可以改寫為：

insert into table tablename partition (dt= ....) select .... from A WHERE ...; insert into table tablename partition (dt= ....) select .... from B 　WHERE ...; insert into table tablename partition (dt= ....) select .... from C WHERE ...;

?

三. ?order by & sort by?

?

order by : 對查詢結(jié)果進(jìn)行全局排序，消耗時間長。需要 set hive.mapred.mode=nostrict

sort by : 局部排序，并非全局有序，提高效率。

?

四. transform+python

一種嵌入在hive取數(shù)流程中的自定義函數(shù)，通過transform語句可以把在hive中不方便實現(xiàn)的功能在python中實現(xiàn)，然后寫入hive表中。

語法：

select transform({column names1})

using '**.py'

as?{column names2}

from {table name}

如果除python腳本外還有其它依賴資源，可以使用ADD ARVHIVE

用hive自定義函數(shù)很方便

?

五. limit 語句快速出結(jié)果

一般情況下，Limit語句還是需要執(zhí)行整個查詢語句，然后再返回部分結(jié)果。

有一個配置屬性可以開啟，避免這種情況---對數(shù)據(jù)源進(jìn)行抽樣

hive.limit.optimize.enable=true --- 開啟對數(shù)據(jù)源進(jìn)行采樣的功能

hive.limit.row.max.size --- 設(shè)置最小的采樣容量

hive.limit.optimize.limit.file --- 設(shè)置最大的采樣樣本數(shù)

缺點：有可能部分?jǐn)?shù)據(jù)永遠(yuǎn)不會被處理到

?

六. 本地模式

對于小數(shù)據(jù)集，為查詢觸發(fā)執(zhí)行任務(wù)消耗的時間>實際執(zhí)行job的時間，因此可以通過本地模式，在單臺機(jī)器上（或某些時候在單個進(jìn)程上）處理所有的任務(wù)。

set oldjobtracker=${hiveconf:mapred.job.tracker};?

set mapred.job.tracker=local; 　

set marped.tmp.dir=/home/edward/tmp; sql 語句 　set mapred.job.tracker=${oldjobtracker};

-- 可以通過設(shè)置屬性hive.exec.mode.local.auto的值為true，來讓hve在適當(dāng)?shù)臅r候自動啟動這個優(yōu)化，也可以將這個配置寫在$HOME/.hiverc文件中。

-- 當(dāng)一個job滿足如下條件才能真正使用本地模式：

1.job的輸入數(shù)據(jù)大小必須小于參數(shù)：hive.exec.mode.local.auto.inputbytes.max(默認(rèn)128MB)

2.job的map數(shù)必須小于參數(shù)：hive.exec.mode.local.auto.tasks.max(默認(rèn)4)

3.job的reduce數(shù)必須為0或者1

可用參數(shù)hive.mapred.local.mem(默認(rèn)0)控制child jvm使用的最大內(nèi)存數(shù)。

?

七. 并行執(zhí)行

hive會將一個查詢轉(zhuǎn)化為一個或多個階段，包括：MapReduce階段、抽樣階段、合并階段、limit階段等。默認(rèn)情況下，一次只執(zhí)行一個階段。 不過，如果某些階段不是互相依賴，是可以并行執(zhí)行的。

set hive.exec.parallel=true,可以開啟并發(fā)執(zhí)行。

set hive.exec.parallel.thread.number=16; //同一個sql允許最大并行度，默認(rèn)為8。

會比較耗系統(tǒng)資源。

?

八. 調(diào)整mapper和reducer的個數(shù)

1 Map階段優(yōu)化

map個數(shù)的主要的決定因素有： input的文件總個數(shù)，input的文件大小，集群設(shè)置的文件塊大小（默認(rèn)128M，不可自定義）。

舉例：

a) 假設(shè)input目錄下有1個文件a,大小為780M,那么hadoop會將該文件a分隔成7個塊（6個128m的塊和1個12m的塊），從而產(chǎn)生7個map數(shù)

b) 假設(shè)input目錄下有3個文件a,b,c,大小分別為10m，20m，130m，那么hadoop會分隔成4個塊（10m,20m,128m,2m）,從而產(chǎn)生4個map數(shù)

即，如果文件大于塊大小(128m),那么會拆分，如果小于塊大小，則把該文件當(dāng)成一個塊。

map執(zhí)行時間：map任務(wù)啟動和初始化的時間+邏輯處理的時間。

1）減少map數(shù)

若有大量小文件（小于128M），會產(chǎn)生多個map，處理方法是：

set mapred.max.split.size=100000000; set mapred.min.split.size.per.node=100000000; set mapred.min.split.size.per.rack=100000000; ?

-- 前面三個參數(shù)確定合并文件塊的大小，大于文件塊大小128m的，按照128m來分隔，小于128m,大于100m的，按照100m來分隔，把那些小于100m的（包括小文件和分隔大文件剩下的）進(jìn)行合并

　set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; -- 執(zhí)行前進(jìn)行小文件合并 2）增加map數(shù)

當(dāng)input的文件都很大，任務(wù)邏輯復(fù)雜，map執(zhí)行非常慢的時候，可以考慮增加Map數(shù)，來使得每個map處理的數(shù)據(jù)量減少，從而提高任務(wù)的執(zhí)行效率。

set mapred.reduce.tasks=?

2 Reduce階段優(yōu)化

調(diào)整方式：

-- set mapred.reduce.tasks=?

-- set hive.exec.reducers.bytes.per.reducer = ?

一般根據(jù)輸入文件的總大小,用它的estimation函數(shù)來自動計算reduce的個數(shù)：reduce個數(shù) = InputFileSize / bytes per reducer

九.嚴(yán)格模式

set hive.marped.mode=strict ------ 防止用戶執(zhí)行那些可能意想不到的不好的影響的查詢

-- 分區(qū)表，必須選定分區(qū)范圍

-- 對于使用order by的查詢，要求必須使用limit語句。因為order by為了執(zhí)行排序過程會將所有的結(jié)果數(shù)據(jù)分發(fā)到同一個reducer中進(jìn)行處理。

-- 限制笛卡爾積查詢：兩張表join時必須有on語句

?

十.數(shù)據(jù)傾斜

表現(xiàn)：任務(wù)進(jìn)度長時間維持在99%（或100%），查看任務(wù)監(jiān)控頁面，發(fā)現(xiàn)只有少量（1個或幾個）reduce子任務(wù)未完成。因為其處理的數(shù)據(jù)量和其他reduce差異過大。

單一reduce的記錄數(shù)與平均記錄數(shù)差異過大，通?？赡苓_(dá)到3倍甚至更多。 最長時長遠(yuǎn)大于平均時長。

原因

1)、key分布不均勻

2)、業(yè)務(wù)數(shù)據(jù)本身的特性

3)、建表時考慮不周

4)、某些SQL語句本身就有數(shù)據(jù)傾斜

關(guān)鍵詞情形后果

join	其中一個表較小，但是key集中	分發(fā)到某一個或幾個Reduce上的數(shù)據(jù)遠(yuǎn)高于平均值
join	大表與大表，但是分桶的判斷字段0值或空值過多	這些空值都由一個reduce處理，灰常慢
group by	group by 維度過小，某值的數(shù)量過多	處理某值的reduce灰常耗時
count distinct	某特殊值過多	處理此特殊值reduce耗時

解決方案：

參數(shù)調(diào)節(jié)

hive.map.aggr=true

轉(zhuǎn)載于:https://www.cnblogs.com/mobiwangyue/p/8484916.html

總結(jié)

以上是生活随笔為你收集整理的hive 调优（一）coding调优的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。