当前位置： 首页 > article >正文

【详细讲解】hive优化

article 2024/12/31 5:38:55

1、开启本地模式

大多数的Hadoop Job是需要Hadoop提供的完整的可扩展性来处理大数据集的。不过，有时Hive的输入数据量是非常小的。在这种情况下，为查询触发执行任务消耗的时间可能会比实际job的执行时间要多的多。对于大多数这种情况，Hive可以通过本地模式在单台机器上处理所有的任务。对于小数据集，执行时间可以明显被缩短。用户可以通过设置hive.exec.mode.local.auto的值为true，来让Hive在适当的时候自动启动这个优化。

set hive.exec.mode.local.auto=true;  
//开启本地mr
//设置local mr的最大输入数据量，当输入数据量小于这个值时采用local  mr的方式，默认为134217728，即128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;
//设置local mr的最大输入文件个数，当输入文件个数小于这个值时采用local mr的方式，默认为4
set hive.exec.mode.local.auto.input.files.max=10;

2、explain分析SQL语句

explain：只有对hql语句的解释。（Hive SQL）

Explain extended：对hql语句的解释，以及抽象表达式树的生成

explain select * from emp;
explain extended select * from emp;
explain select deptno, avg(salary) avg_sal from emp group by deptno;
打印结果如下：
STAGE DEPENDENCIES:
  -- 此处表示这个sql分为两步执行，第一步Stage-1 ，第二步Stage-0，Stage-0依赖于Stage-1
  Stage-1 is a root stage
  Stage-0 depends on stages: Stage-1

STAGE PLANS:
 -- 执行第一步
  Stage: Stage-1
    Map Reduce -- 执行了MR任务
      Map Operator Tree:-- Map阶段执行的任务树
          TableScan -- 扫描表
            alias: emp
            Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
            Select Operator -- 查询两个字段salary 和 deptno
              expressions: salary (type: int), deptno (type: int)
              outputColumnNames: salary, deptno
              Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
              -- 分组操作
              Group By Operator
                -- 聚合操作 算出总的薪水和薪水的总个数
                aggregations: sum(salary), count(salary)
                keys: deptno (type: int)
                mode: hash
                outputColumnNames: _col0, _col1, _col2
                Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
                Reduce Output Operator -- 输出操作
                  key expressions: _col0 (type: int)
                  sort order: +
                  Map-reduce partition columns: _col0 (type: int)
                  Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
                  value expressions: _col1 (type: bigint), _col2 (type: bigint)
      Execution mode: vectorized
      Reduce Operator Tree: -- Reduce操作的树
        Group By Operator
          aggregations: sum(VALUE._col0), count(VALUE._col1)
          keys: KEY._col0 (type: int)
          mode: mergepartial
          outputColumnNames: _col0, _col1, _col2
          Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
          Select Operator
            expressions: _col0 (type: int), (_col1 / _col2) (type: double)
            outputColumnNames: _col0, _col1
            Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
            File Output Operator
              compressed: false
              Statistics: Num rows: 1 Data size: 0 Basic stats: PARTIAL Column stats: NONE
              table:
                  input format: org.apache.hadoop.mapred.SequenceFileInputFormat
                  output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
                  serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe

  Stage: Stage-0 -- 执行Stage-0 
    Fetch Operator --执行抓取操作
      limit: -1 --没有什么限制
      Processor Tree:
        ListSink

Time taken: 0.79 seconds, Fetched: 53 row(s)

1）stage 相当于一个job，一个stage可以是limit、也可以是一个子查询、也可以是group by等。

2）hive默认一次只执行一个stage，但是如果stage之间没有相互依赖，将可以并行执行。

3）任务越复杂，hql代码越复杂，stage越多，运行的时间一般越长。

我们可以通过explain关键字来分析一个语句，但作为一个初学者只需要知道可以通过explain分析即可，没有必要每一个语句都分析分析，而是应该把重心放在hql语句的业务编写上。

3、修改Fetch操作

Fetch抓取是指，Hive中对某些情况的查询可以不必使用MapReduce计算。

例如：

SELECT * FROM employees;

在这种情况下，Hive可以简单地读取employee对应的存储目录下的文件，然后输出查询结果到控制台。

在hive-default.xml.template【hive-site.xml】文件中hive.fetch.task.conversion默认是more，老版本hive默认是minimal，该属性修改为more以后，在全局查找、字段查找、limit查找等都不走mapreduce。

<property>
    <name>hive.fetch.task.conversion</name>
    <value>more</value>
    <description>
      Expects one of [none, minimal, more].
      Some select queries can be converted to single FETCH task minimizing latency.
      Currently the query should be single sourced not having any subquery and should not have any aggregations or distincts (which incurs RS), lateral views and joins.
      0. none : disable hive.fetch.task.conversion
      1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only
      2. more  : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)
    </description>
</property>

举例说明：

hive (default)> set hive.fetch.task.conversion=none;
hive (default)> select * from emp;
hive (default)> select ename from emp;
hive (default)> select ename from emp limit 3;

（1）把hive.fetch.task.conversion设置成none，然后执行查询语句，都会执行mapreduce程序。
（2）把hive.fetch.task.conversion设置成more，然后执行查询语句，如下查询方式都不会执行mapreduce程序。

4、开启hive的严格模式【提高了安全性】

防止写的烂sql影响集群，比如 select * from emp;

开启严格模式以后，以下情况多报SQL错误！

1）分区表不使用分区过滤

select * from emp where day='20231001'

2) 使用order by没有limit过滤

3) 笛卡尔积不允许出现 select * from emp,dept ;

5、JVM重用

Hadoop中有个参数是mapred.job.reuse.jvm.num.tasks，默认是1，表示一个JVM上最多可以顺序执行的task数目（属于同一个Job）是1。也就是说一个task启一个JVM ，这样JVM的效率就比较低，需要JVM重用。

比如：编写了一个sql语句，启动多少个mapTask，多少个reduceTask,取决于数据量的大小。

假如启动了100个MapTask,50个ReduceTask, 如果每一个task都启动一个jvm虚拟机的话，开启和关闭虚拟机需要消耗时间的。jvm重用就是一个虚拟机开启以后，执行多个task任务，再关闭。大大提高执行效率。

<property>
  <name>mapreduce.job.jvm.numtasks</name>
  <value>10</value>
  <description>How many tasks to run per jvm. If set to -1, there is no limit. </description>
</property>
也可以通过：set mapred.job.reuse.jvm.num.tasks=10;进行设置

6、分区、分桶以及压缩

7、合理设置map和reduce的数量

合理设置map数量：

1）通常情况下，作业会通过input的目录产生一个或者多个map任务。

主要的决定因素有：input的文件总个数，input的文件大小，集群设置的文件块大小。

一个文件不够128M，它不是一个片儿吗？ 是一个片 --> map任务

一个文件很大，被切割为了好几个片儿，是不是一个片儿对应一个map任务。

2）map数不是越多越好

如果一个任务有很多小文件（远远小于块大小128m），则每个小文件也会被当做一个 片儿，用一个map任务来完成，而一个map任务启动和初始化的时间远远大于逻辑处理的时间，就会造成很大的资源浪费。而且，同时可执行的map数是受限的。这种情况下就需要减少map数量！

3）每个map处理接近128m的文件块，也不一定就算完美

比如有一个127m的文件，正常会用一个map去完成，但这个文件只有一个或者两个小字段，却有几千万的记录，如果map处理的逻辑比较复杂，用一个map任务去做，肯定也比较耗时。这种情况下就需要增加map数量。

4）复杂文件增加Map数

当input的文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数，来使得每个map处理的数据量减少，从而提高任务的执行效率。

增加map的方法为：根据

computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M公式，调整maxSize最大值。即 让最大切片值maxSize最大值低于blocksize就可以增加map的个数。

maxSize = 256M

minSize = 1字节

blocksize = 128M

Math.max(minSize,Math.min(maxSize,blocksize) = 128M

500M--> 128M --> 4 个 map 任务

500M --> 86M --> 大于 4，所以 map 数量增加了

将这个结果变小 -- map数量变多了

Math.max(minSize,Math.min(maxSize,blocksize) =86M

修改maxSize ,让其小于blocksize 大于minSize

maxSize = 86M

将这个结果变大 -- map数量变少了

修改minSize ,让其大于blocksize 小于maxSize

minSize = 200M

Math.max(minSize,Math.min(maxSize,blocksize) = 200M

假如一个任务的数量是500M，一个片假如是128M的话，就启动4个map任务

假如一个片假如是64M，就启动8个map任务，所以片的大小可以决定map的数量。

实战一下：

比如：

hive (default)> select count(*) from emp;
Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 1
只有一个Map任务
设置最大切片值为100个字节
hive (default)> set mapreduce.input.fileinputformat.split.maxsize=100;
hive (default)> select count(*) from emp;
发现map任务数变为了6个。
Hadoop job information for Stage-1: number of mappers: 6; number of reducers: 1

开启小文件进行合并：

1）在map执行前合并小文件，减少map数：CombineHiveInputFormat具有对小文件进行合并的功能（系统默认的格式）。HiveInputFormat没有对小文件合并功能。

set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

2）在Map-Reduce的任务结束时合并小文件的设置

在map-only任务结束时合并小文件，默认true
SET hive.merge.mapfiles = true;
在map-reduce任务结束时合并小文件，默认false
SET hive.merge.mapredfiles = true;
合并文件的大小，默认256M
SET hive.merge.size.per.task = 268435456;
当输出文件的平均大小小于该值时，启动一个独立的map-reduce任务进行文件merge
SET hive.merge.smallfiles.avgsize = 16777216;

设置合理的reducer的个数

1）调整reduce个数方法一
（1）每个Reduce处理的数据量默认是256MB
hive.exec.reducers.bytes.per.reducer=256000000
（2）每个任务最大的reduce数，默认为1009
hive.exec.reducers.max=1009
（3）计算reducer数的公式
N=min(参数2，总输入数据量/参数1)

举例：假如数据量是512M
默认启动： 512/256= 2 
假如我想启动更多的reduce怎么办？
可以修改参数1 为 128M ,或者直接修改 参数2 =3  最后启动reduce的数量为3。

2）调整reduce个数方法二
在hadoop的mapred-default.xml文件中修改
设置每个job的Reduce个数
set mapreduce.job.reduces = 15;

reduce个数并不是越多越好
（1）过多的启动和初始化reduce也会消耗时间和资源；
（2）另外，有多少个reduce，就会有多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题；

8、设置并行执行

hive会将一个查询转化成一个或者多个阶段（Stage）。这样的阶段可以是MapReduce阶段、抽样阶段、合并阶段、limit阶段。或者Hive执行过程中可能需要的其他阶段。默认情况下，Hive一次只会执行一个阶段。不过，某个特定的job可能包含众多的阶段，而这些阶段可能并非完全互相依赖的，也就是说有些阶段是可以并行执行的，这样可能使得整个job的执行时间缩短。不过，如果有更多的阶段可以并行执行，那么job可能就越快完成。通过设置参数hive.exec.parallel值为true，就可以开启并发执行。不过，在共享集群中，需要注意下，如果job中并行阶段增多，那么集群利用率就会增加.

set hive.exec.parallel=true;              //打开任务并行执行
set hive.exec.parallel.thread.number=16;  //同一个sql允许最大并行度，默认为8。

设置该并行执行的前提是：集群的资源利用率不高的情况下。

9、CBO优化-成本优化器

   Hive 自 0.14.0 开始，加入了一项 "Cost based Optimizer" ,简称CBO，来对 HQL 执行计划进行优化，这个功能通过 "hive.cbo.enable" 来开启。在 Hive 1.1.0 之后，这个属性是默认开启的，它可以自动优化HQL中多个Join的顺序，并选择合适的Join算法。
    CBO，成本优化器，代价最小的执行计划就是最好的执行计划。传统的数据库，成本优化器做出最优化的执行计划是依据统计信息来计算的。

实战：

set hive.cbo.enable=true;
set hive.compute.query.using.stats=true;
set hive.stats.fetch.column.stats=true;
set hive.stats.fetch.partition.stats=true;（这个设置在Hive 3.0.0以后就被删除了）

10、谓词下推

所谓的谓词下推就是将where条件提前执行，比如先执行where过滤数据在进行join关联表的表。
比如 student  teacher 关联  假如只需要男生的数据，可以先过滤出来男生在跟teacher表关联


概念：所谓的谓词简单理解为where后面的条件，所谓谓词下推，就是保证结果正确的前提下，将SQL语句中的where谓词逻辑都尽可能提前执行，减少下游处理的数据量。

操作：对应逻辑优化器是PredicatePushDown，配置项为hive.optimize.ppd，默认为true。

好处：通过谓词下推，过滤条件将在map端提前执行，减少了map端的输出，降低了数据IO，节约资源，提升性能。

举例说明：

-- 创建一个大表：
create table bigtable(
    id bigint, 
    t bigint, 
    uid string, 
    keyword string, 
    url_rank int, 
    click_num int, 
    click_url string) 
    row format delimited fields terminated by '\t';
 -- 导入数据
 load data local inpath '/home/hivedata/bigtable' into table bigtable;
 --打开谓词下推优化属性
hive (yhdb)> set hive.optimize.ppd = true; #谓词下推，默认是true

-- 测试先关联两张表，再用where条件过滤
hive (yhdb)> select o.id from bigtable b join bigtable o on  o.id = b.id where o.id <= 10;
Time taken: 3.648 seconds, Fetched: 1081 row(s)
-- 通过子查询后，再关联表
hive (yhdb)> select b.id from bigtable b join (select id from bigtable where id <= 10 ) o on b.id = o.id;
Time taken: 2.675 seconds, Fetched: 1081 row(s)

11、小表Join大表-使用MapJoin

小表Join大表：Map Join 小表缓存并发送到各个节点，没有Shuffle的过程 

   将key相对分散，并且数据量小的表放在join的左边，这样可以有效减少内存溢出错误发生的几率；再进一步，可以使用map join让小的维度表（1000条以下的记录条数）先进内存。在map端完成join.
   如果不指定MapJoin或者不符合MapJoin的条件，那么Hive解析器会将Join操作转换成Common Join，即：在Reduce阶段完成Join。容易发生数据倾斜。可以用MapJoin把小表全部加载到内存在Map端进行Join，避免Reducer处理。

总结：
1）mapjoin --只有map没有reduce,当然也不会有shuffle
2) common join （shuffle join） : 就是普通的join，走MR程序

select * from dept join emp  on emp.detpno = dept.deptno;

实战：

实战设置：
（1）设置自动选择Mapjoin
set hive.auto.convert.join = true; 默认为true
（2）大表小表的阈值设置（默认25M以下认为是小表）：
set hive.mapjoin.smalltable.filesize = 25000000;

一般情况下：小表放在join的左边，大表放右边，但是新版本的hive，放左放右无所谓了，它会自动优化。

hive的查询永远是小表(结果集)驱动大表(结果集)
hive中的on的条件只能是等值连接。

12、大表和大表 SMB Join

SMB： sort merge bucket join

hive 的三种join
1、ReduceJoin 也叫 Common Join、Shuffle Join
2. MapJoin
3. Sort Merge Bucket Join(分桶表Join)
-- 再创建一个大表
hive(default)> create table bigtable2(
    id bigint,
    t bigint,
    uid string,
    keyword string,
    url_rank int,
    click_num int,
    click_url string)
row format delimited fields terminated by '\t';
-- 加载数据
hive(default)> load data local inpath '/home/hivedata/bigtable' into table bigtable2;

-- 创建join表
create table jointable(
    id bigint, 
    t bigint, 
    uid string, 
    keyword string, 
    url_rank int, 
    click_num int, 
    click_url string) 
    row format delimited fields terminated by '\t';
-- 测试两个大表直接join: 此处花费时间非常的长
insert overwrite table jointable
select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable s
join bigtable2 b
on b.id = s.id;

-- 创建两个分桶表，并导入数据
create table bigtable_buck1(
    id bigint,
    t bigint,
    uid string,
    keyword string,
    url_rank int,
    click_num int,
    click_url string)
clustered by(id) 
sorted by(id)
into 2 buckets   -- 桶的个数和CPU核数和Reduce数需要一致
row format delimited fields terminated by '\t';
-- 导入第一个分桶表
 insert into bigtable_buck1 select * from bigtable;
-- 创建第二个分桶表
create table bigtable_buck2 like bigtable_buck1;
-- 导入数据
insert into bigtable_buck2 select * from bigtable;
--开启SMB设置
hive(yhdb)> set hive.optimize.bucketmapjoin = true;
hive(yhdb)> set hive.optimize.bucketmapjoin.sortedmerge = true;
hive(yhdb)> set hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;
-- 两张大表关联
hive(yhdb)> insert overwrite table jointable
select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable_buck1 s
join bigtable_buck2 b
on b.id = s.id;
-- 对比两种方式总耗时时间，前提是需要进行分布式计算，不要在伪分布或本地模式下计算。
假如有两个大表，如何join速度快，就是创建两个分桶表表，把大表的数据导入进去，然后让分桶表和分桶表进行join，速度会快，当然在执行之前，需要开启smb join的设置。

13、可以在hive表上创建索引【了解】

索引：其实就是作用在数据库的一种算法，以mysql为例：

create table stu(
  id int,
  name varchar(20),
  INDEX idx_name (id)
)

在某一个或者多个字段上添加索引，好处就是假如你的sql语句使用到了索引字段，查询速度会很快！
总而言之好处是提高查询效率。不加索引是自行车，加了索引是火箭！

索引不是越多越好，而是根据实际情况而定：
1、经常查询的字段加索引
2、多个表经常关联的字段加索引
   select * from emp ,dept where emp.deptno= dept.deptno;
3、主键天然是索引
4、一个表中假如有20个字段的话，最多4~5个字段加索引。
    添加索引查询速度变快，插入速度变慢

 

CREATE INDEX index_student2_class_id
ON TABLE student2 (class_id)
AS 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler'
WITH DEFERRED REBUILD
IDXPROPERTIES ('creator' = 'yhbigdata','created_at' = '2023-02-22 18:00:00')
IN TABLE INDEX index_student2_class_id_table
COMMENT 'index_student2';

假如以后的sql语句中出现class_id ，查询速度就变快了。
还需要进行设置才可以使用：
SET hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;
SET hive.optimize.index.filter=true;

hive的索引仅供参考，因为hive在3.0版本已经被删除，参考文献：

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Indexing#LanguageManualIndexing-IndexingIsRemovedsince3.0

14、列裁剪与分区裁剪

sql语句在进行查询的时候不要全部查询，使用哪个字段就查询哪个字段，不要动不动就 * ;
需要哪个分区就查询哪个分区，不要全查。

   列裁剪就是在查询时只读取需要的列，分区裁剪就是只读取需要的分区。当列很多或者数据量很大时，如果 select * 或者不指定分区，全列扫描和全表扫描效率都很低。 
   Hive 在读数据的时候，可以只读取查询中所需要用到的列，而忽略其他的列。这样做可以节省读取开销：中间表存储开销和数据整合开销。
-- 列裁剪
select name,age from emp;
-- 分区裁剪
select * from emp where dept='技术部';

15、避免数据倾斜


http://www.kler.cn/a/456412.html

相关文章：

  • 《童年-高尔基》阅读笔记
  • uniapp——微信小程序，从客户端会话选择文件
  • UE5材质节点Panner
  • 仓颉编程笔记1：变量函数定义，常用关键字，实际编写示例
  • 【操作系统】课程 3进程同步与通信 同步测练 章节测验
  • 大数据技术-Hadoop（二）HDFS的介绍与使用
  • Android 13 Aosp SystemUI Android Studio版本
  • 25页PDF | 企业级指标体系设计方法
  • 大学课程Go语言的算法与数据结构
  • Windows安装ElasticSearch与kibana
  • Ardunio BLE keyboard 库的使用
  • 变长的时间戳(第4版)
  • Spring Boot 项目中 Maven 剔除无用 Jar 引用的最佳实践
  • LabVIEW Ctrl+Shift space 快速放置被占用解决办法
  • 三层交换机配置
  • 【UE5.3.2 】引擎中安装RiderLink插件
  • 将现有Web 网页封装为macOS应用
  • TCP 小队列的设计原理
  • Python学习_集合
  • 什么是数据库的锁？怎么实现？
  • 【教程】如何编译指定版本Spark
  • [Hive]七 Hive 内核
  • Kotlin 协程基础知识总结三 —— 协程上下文与异常处理
  • AutoFOX：一种冠状动脉X线造影与OCT的自动化跨模态3D融合框架|文献速递-视觉大模型医疗图像应用
  • IDEA 搭建 SpringBoot 项目之配置 Maven
  • 打造RAG系统：四大向量数据库Milvus、Faiss、Elasticsearch、Chroma 全面对比与选型指南