Hive中小表與大表關聯(join)的性能分析

經常看到一些Hive優化的建議中說當小表與大表做關聯時，把小表寫在前面，這樣可以使Hive的關聯速度更快，提到的原因都是說因為小表可以先放到內存中，然后大表的每條記錄再去內存中檢測，最終完成關聯查詢。這樣的原因看似合理，但是仔細推敲，又站不住腳跟。?
? ? ? ?多小的表算小表？如果所謂的小表在內存中放不下怎么辦？我用2個只有幾條記錄的表做關聯查詢，這應該算是小表了，在查看reduce的執行日志時依然是有寫磁盤的操作的。實際上reduce在接收全部map的輸出后一定會有一個排序所有鍵值對并合并寫入磁盤文件的操作。寫入磁盤（spill）有可能是多次的，因此有可能會生成多個臨時文件，但是最終都要合并成一個文件，即最終每一個reduce都只處理一個文件。?
? ? ? ?我做了一個實驗，用1條記錄的表和3億多條記錄的表做join，無論小表是放在join的前面還是join的后面，執行的時間幾乎都是相同的。再去看reduce的執行日志，1條記錄的表在join前或者join后兩次查詢的reduce日志幾乎也是一摸一樣的。如果按照上面的說法把join左側的表放內存等待join右側的表到內存中去檢測，那么當3億多條記錄的表放在join左側時，內存肯定是無法容下這么多記錄的，勢必要進行寫磁盤的操作，那它的執行時間應該會比小表在join前時長很多才對，但事實并不是這樣，也就說明了上面說到的原因并不合理。?
? ? ? ?事實上“把小表放在前面做關聯可以提高效率”這種說法是錯誤的。正確的說法應該是“把重復關聯鍵少的表放在join前面做關聯可以提高join的效率。”?
? ? ? ?分析一下Hive對于兩表關聯在底層是如何實現的。因為不論多復雜的Hive查詢，最終都要轉化成mapreduce的JOB去執行，因此Hive對于關聯的實現應該和mapreduce對于關聯的實現類似。而mapreduce對于關聯的實現，簡單來說，是把關聯鍵和標記是在join左邊還是右邊的標識位作為組合鍵(key)，把一條記錄以及標記是在join左邊還是右邊的標識位組合起來作為值(value)。在reduce的shuffle階段，按照組合鍵的關聯鍵進行主排序，當關聯鍵相同時，再按照標識位進行輔助排序。而在分區段時，只用關聯鍵中的關聯鍵進行分區段，這樣關聯鍵相同的記錄就會放在同一個value list中，同時保證了join左邊的表的記錄在value list的前面，而join右邊的表的記錄在value list的后面。?
? ? ? ?例如A join B ON (A.id = b.id) ，假設A表和B表都有1條id = 3的記錄，那么A表這條記錄的組合鍵是(3,0)，B表這條記錄的組合鍵是(3,1)。排序時可以保證A表的記錄在B表的記錄的前面。而在reduce做處理時，把id=3的放在同一個value list中，形成 key = 3,value list = [A表id=3的記錄,B表id=3的記錄]?
? ? ? ?接下來我們再來看當兩個表做關聯時reduce做了什么。Reduce會一起處理id相同的所有記錄。我們把value list用數組來表示。?
? ? ? ?1)?? Reduce先讀取第一條記錄v[0],如果發現v[0]是B表的記錄，那說明沒有A表的記錄，最終不會關聯輸出，因此不用再繼續處理這個id了，讀取v[0]用了1次讀取操作。?
? ? ? ?2)?? 如果發現v[0]到v[length-1]全部是A表的記錄，那說明沒有B表的記錄，同樣最終不會關聯輸出，但是這里注意，已經對value做了length次的讀取操作。?
? ? ? ?3)?? 例如A表id=3有1條記錄，B表id=3有10條記錄。首先讀取v[0]發現是A表的記錄，用了1次讀取操作。然后再讀取v[1]發現是B表的操作，這時v[0]和v[1]可以直接關聯輸出了，累計用了2次操作。這時候reduce已經知道從v[1]開始后面都是B 表的記錄了，因此可以直接用v[0]依次和v[2],v[3]……v[10]做關聯操作并輸出，累計用了11次操作。?
? ? ? ?4)?? 換過來，假設A表id=3有10條記錄，B表id=3有1條記錄。首先讀取v[0]發現是A表的記錄，用了1次讀取操作。然后再讀取v[1]發現依然是A表的記錄，累計用了2次讀取操作。以此類推，讀取v[9]時發現還是A表的記錄，累計用了10次讀取操作。然后讀取最后1條記錄v[10]發現是B表的記錄，可以將v[0]和v[10]進行關聯輸出，累計用了11次操作。接下來可以直接把v[1]~v[9]分別與v[10]進行關聯輸出，累計用了20次操作。?
? ? ? ?5)?? 再復雜一點，假設A表id=3有2條記錄，B表id=3有5條記錄。首先讀取v[0]發現是A表的記錄，用了1次讀取操作。然后再讀取v[1]發現依然是A表的記錄，累計用了2次讀取操作。然后讀取v[2]發現是B表的記錄，此時v[0]和v[2]可以直接關聯輸出，累計用了3次操作。接下來v[0]可以依次和v[3]~v[6]進行關聯輸出，累計用了7次操作。接下來v[1]再依次和v[2]~v[6]進行關聯輸出，累計用了12次操作。?
? ? ? ?6)?? 把5的例子調過來，假設A表id=3有5條記錄，B表id=3有2條記錄。先讀取v[0]發現是A表的記錄，用了1次讀取操作。然后再讀取v[1]發現依然是A表的記錄，累計用了2次讀取操作。以此類推，讀取到v[4]發現依然是A表的記錄，累計用了5次讀取操作。接下來讀取v[5]，發現是B表的記錄，此時v[0]和v[5]可以直接關聯輸出，累計用了6次操作。然后v[0]和v[6]進行關聯輸出，累計用了7次操作。然后v[1]分別與v[5]、v[6]關聯輸出，累計用了9次操作。V[2] 分別與v[5]、v[6]關聯輸出，累計用了11次操作。以此類推，最后v[4] 分別與v[5]、v[6]關聯輸出，累計用了15次操作。?
? ? ? ?7)?? 額外提一下，當reduce檢測A表的記錄時，還要記錄A表同一個key的記錄的條數，當發現同一個key的記錄個數超過hive.skewjoin.key的值（默認為1000000）時，會在reduce的日志中打印出該key，并標記為傾斜的關聯鍵。?
? ? ? ?最終得出的結論是：寫在關聯左側的表每有1條重復的關聯鍵時底層就會多1次運算處理。?
? ? ? ?假設A表有一千萬個id，平均每個id有3條重復值，那么把A表放在前面做關聯就會多做三千萬次的運算處理，這時候誰寫在前誰寫在后就看出性能的差別來了。?

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的HIVE 调优2的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。