专栏首页share ai happiness拿美团offer,Hive进阶篇

拿美团offer,Hive进阶篇

01

Hive的压缩存储

1.Hadoop源码编译支持Snappy压缩

链接:

https://blog.csdn.net/weixin_38754799/article/details/104306898

作者:木野归郎

2.Hadoop压缩配置

1)MR 支持的压缩编码

为了支持多种压缩/解压缩算法,Hadoop 引入了编码/解码器,如下表所示

压缩性能的比较

2)压缩参数配置

要在 Hadoop 中启用压缩,可以配置如下参数(mapred-site.xml 文件中)

具体参数看: https://blog.csdn.net/weixin_38754799/article/details/104307101

3.开启Map输出阶段压缩

开启 map 输出阶段压缩可以减少 job 中 map 和 Reduce task 间数据传输量。具体配置如下:

案例实操:

1)开启 hive 中间传输数据压缩功能 
set hive.exec.compress.intermediate=true; 
2)开启 mapreduce 中 map 输出压缩功能 
set mapreduce.map.output.compress=true; 
3)设置 mapreduce 中 map 输出数据的压缩方式 
set mapreduce.map.output.compress.codec
= org.apache.hadoop.io.compress.SnappyCodec; 
4)执行查询语句 
select count(ename) name from emp;

4.开启Reduce输出阶段压缩

当 Hive 将输出写入到表中时,输出内容同样可以进行压缩。属性 hive.exec.compress.output 控制 着这个功能。用户可能需要保持默认设置文件中的默认值 false,这样默认的输出就是非压缩的纯文本 文件了。用户可以通过在查询语句或执行脚本中设置这个值为 true,来开启输出结果压缩功能。

案例实操:

1)开启 hive 最终输出数据压缩功能 
set hive.exec.compress.output=true; 
2)开启 mapreduce 最终输出数据压缩 
set mapreduce.output.fileoutputformat.compress
=true; 
3)设置 mapreduce 最终数据输出压缩方式 
set mapreduce.output.fileoutputformat.compress.codec 
= org.apache.hadoop.io.compress.SnappyCodec; 
4)设置 mapreduce 最终数据输出压缩为块压缩 
set mapreduce.output.fileoutputformat.compress.type=BLOCK; 
5)测试一下输出结果是否是压缩文件
insert overwrite local directory 
'/opt/module/datas/distribute-result' 
select * from emp distribute by deptno sort by empno desc;

5.文件存储格式

Hive 支持的存储数的格式主要有:TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。

1)列式存储和行式存储

上图左边为逻辑表,右边第一个为行式存储,第二个为列式存储。

行存储的特点:查询满足条件的一整行数据的时候,列存储则需要去每个聚集的字段找到对应 的每个列的值,行存储只需要找到其中一个值,其余的值都在相邻地方,所以此时行存储查询的速度 更快。

列存储的特点:因为每个字段的数据聚集存储,在查询只需要少数几个字段的时候,能大大减 少读取的数据量;每个字段的数据类型一定是相同的,列式存储可以针对性的设计更好的设计压缩算法。

TEXTFILE 和 SEQUENCEFILE 的存储格式都是基于行存储的;

ORC 和 PARQUET 是基于列式存储的。

2)TextFile 格式

默认格式,数据不做压缩,磁盘开销大,数据解析开销大。可结合 Gzip、Bzip2 使用,但使用 Gzip 这种方式,hive 不会对数据进行切分,从而无法对数据进行并行操作。

3)Orc 格式

Orc (Optimized Row Columnar)是 Hive 0.11 版里引入的新的存储格式。

可以看到每个 Orc 文件由 1 个或多个 stripe 组成,每个 stripe250MB 大小,这个 Stripe 实际相当 于 RowGroup 概念,不过大小由 4MB->250MB,这样应该能提升顺序读的吞吐率。每个 Stripe 里有三部分组成,分别是 Index Data,Row Data,Stripe Footer:

(1)Index Data:一个轻量级的 index,默认是每隔 1W 行做一个索引。这里做的索引应该只是记录 某行的各字段在 Row Data 中的 offset。

(2)Row Data:存的是具体的数据,先取部分行,然后对这些行按列进行存储。对每个列进行了编 码,分成多个 Stream 来存储。

(3)Stripe Footer:存的是各个 Stream 的类型,长度等信息。

每个文件有一个 File Footer,这里面存的是每个 Stripe 的行数,每个 Column 的数据类型信息等;每个文件的尾部是一个 PostScript,这里面记录了整个文件的压缩类型以及 FileFooter 的长度信息等。在读取文件时,会 seek 到文件尾部读 PostScript,从里面解析到 File Footer 长度,再读 FileFooter,从 里面解析到各个 Stripe 信息,再读各个 Stripe,即从后往前读。

4)Parquet 格式

Parquet 是面向分析型业务的列式存储格式,由 Twitter 和 Cloudera 合作开发,2015 年 5 月从 Apache 的孵化器里毕业成为 Apache 顶级项目。

Parquet 文件是以二进制方式存储的,所以是不可以直接读取的,文件中包括该文件的数据和元数 据,因此 Parquet 格式文件是自解析的。

通常情况下,在存储 Parquet 数据的时候会按照 Block 大小设置行组的大小,由于一般情况下每一 个 Mapper 任务处理数据的最小单位是一个 Block,这样可以把每一个行组由一个 Mapper 任务处理, 增大任务执行并行度。Parquet 文件的格式如下图所示。

上图展示了一个 Parquet 文件的内容,一个文件中可以存储多个行组,文件的首位都是该文件的 Magic Code,用于校验它是否是一个 Parquet 文件,Footer length 记录了文件元数据的大小,通过该值 和文件长度可以计算出元数据的偏移量,文件的元数据中包括每一个行组的元数据信息和该文件存储 数据的 Schema 信息。除了文件中每一个行组的元数据,每一页的开始都会存储该页的元数据,在 Parquet 中,有三种类型的页:数据页、字典页和索引页。数据页用于存储当前行组中该列的值,字 典页存储该列值的编码字典,每一个列块中最多包含一个字典页,索引页用来存储当前行组下该列的 索引,目前 Parquet 中还不支持索引页。

5)主流文件存储格式对比实验

创建字段相同不同存储格式的表,导入相同的数据,看文件的大小。

存储文件的压缩比总结:

ORC > Parquet > textFile

查询数据,看查询时间的长短。

存储文件的查询速度总结:查询速度相近。

存储方式和压缩总结:在实际的项目开发当中,hive 表的数据存储格式一般选择:orc 或 parquet。压缩方式一般选择 snappy,lzo。

02

企业级调优

1.Fetch抓取

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 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。

把 hive.fetch.task.conversion 设置成 none,执行查询语句,都会执行 mapreduce 程序。

2.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;
set hive.exec.mode.local.auto.input.files.max=10;
//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

3.表的优化

1)小表、大表 Join

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 Group 让小的维度表(1000 条以下的记录条数)先进内存。在 map 端完成 reduce。

实际测试发现:新版的 hive 已经对小表 JOIN 大表和大表 JOIN 小表进行了优化。小表放在左边 和右边已经没有明显区别。

set hive.auto.convert.join = false;
(set hive.auto.convert.join = false;默认是打开的)

2)大表 Join 大表

(1)空 KEY 过滤

有时 join 超时是因为某些 key 对应的数据太多,而相同 key 对应的数据都会发送到相同的 reducer 上,从而导致内存不够。此时我们应该仔细分析这些异常的 key,很多情况下,这些 key 对应的数据 是异常数据,我们需要在 SQL 语句中进行过滤。例如 key 对应的字段为空。

select n.* 
from (select * from nullidtable where id is not null ) n 
left join ori o on n.id = o.id;

(2)空 key 转换

有时虽然某个 key 为空对应的数据很多,但是相应的数据不是异常数据,必须要包含在 join 的结 果中,此时我们可以表 a 中 key为空的字段赋一个随机的值,使得数据随机均匀地分不到不同的 reducer 上。

select n.* 
from nullidtable n 
full join ori o on case when n.id is null 
then concat('hive', rand()) else n.id end = o.id;

(3)MapJoin

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。

--开启 MapJoin 参数设置:

  设置自动选择 Mapjoin
set hive.auto.convert.join = true; 默认为 true
   大表小表的阈值设置(默认 25M 一下认为是小表):
 set hive.mapjoin.smalltable.filesize=25000000;

--MapJoin 工作机制

(4)Group By

默认情况下,Map 阶段同一 Key 数据分发给一个 reduce,当一个 key 数据过大时就倾斜了。

并不是所有的聚合操作都需要在 Reduce 端完成,很多聚合操作都可以先在 Map 端进行部分聚合, 最后在 Reduce 端得出最终结果。

是否在 Map 端进行聚合,默认为 True 
hive.map.aggr = true
在 Map 端进行聚合操作的条目数目 
hive.groupby.mapaggr.checkinterval = 100000
有数据倾斜的时候进行负载均衡(默认是 false) 
hive.groupby.skewindata = true

当选项设定为 true,生成的查询计划会有两个 MR Job。第一个 MR Job 中,Map 的输出结果会 随机分布到 Reduce 中,每个 Reduce 做部分聚合操作,并输出结果,这样处理的结果是相同的 Group By Key 有可能被分发到不同的 Reduce 中,从而达到负载均衡的目的;第二个 MR Job 再根据预处理 的数据结果按照 Group By Key 分布到 Reduce 中(这个过程可以保证相同的 Group By Key 被分布到 同一个 Reduce 中),最后完成最终的聚合操作。

(5)Count(Distinct) 去重统计

数据量小的时候无所谓,数据量大的情况下,由于COUNT DISTINCT操作需要用一个Reduce Task 来完成,这一个 Reduce 需要处理的数据量太大,就会导致整个 Job 很难完成,一般 COUNT DISTINCT 使用先 GROUP BY 再 COUNT 的方式替换:

(6)笛卡尔积

尽量避免笛卡尔积,join 的时候不加 on 条件,或者无效的 on 条件,Hive 只能使用 1 个 reducer尽量避免笛卡尔积,join 的时候不加 on 条件,或者无效的 on 条件,Hive 只能使用 1 个 reducer

(7)行列过滤

列处理:在 SELECT 中,只拿需要的列,如果有,尽量使用分区过滤,少用 SELECT *。

行处理:在分区剪裁中,当使用外关联时,如果将副表的过滤条件写在 Where 后面,那么就会先 全表关联,之后再过滤。

案例实操:

(1)测试先关联两张表,再用 where 条件过滤 
select o.id from bigtable b join ori o on o.id = b.id 
where o.id <= 10; 
Time taken: 34.406 seconds, Fetched: 100 row(s) 
(2)通过子查询后,再关联表 
select b.id from bigtable b join 
(select id from ori where id <= 10 ) o on b.id = o.id; 
Time taken: 30.058 seconds, Fetched: 100 row(s)

(8)动态分区调整

关系型数据库中,对分区表 Insert 数据时候,数据库自动会根据分区字段的值,将数据插入到相 应的分区中,Hive 中也提供了类似的机制,即动态分区(Dynamic Partition),只不过,使用 Hive 的动 态分区,需要进行相应的配置。

4.数据倾斜

1)合理设置 Map 数

(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。

(2)是不是 map 数越多越好?

答案是否定的。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 一个块,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。

(3)是不是保证每个 map 处理接近 128m 的文件块,就高枕无忧了?

答案也是不一定。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。

针对上面的问题 2 和 3,我们需要采取两种方式来解决:即减少 map 数和增加 map 数;

2)小文件进行合并

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;

3)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。让 maxSize 最大值低于 blocksize 就可以增加 map 的个数。

案例实操:
执行查询
select count(*) from emp;
Hadoop job information for Stage-1: number of mappers: 1;
number of reducers: 1

设置最大切片值为 100 个字节
set mapreduce.input.fileinputformat.split.maxsize=100;
select count(*) from emp;
Hadoop job information for Stage-1: number of mappers: 6;
number of reducers: 1

4)合理设置 Reduce 数

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)
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;

(1)reduce 个数并不是越多越好

过多的启动和初始化 reduce 也会消耗时间和资源;

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;

在设置 reduce 个数的时候也需要考虑这两个原则:处理大数据量利用合适的 reduce 数;使单个 reduce 任务处理数据量大小要合适;

5.并行执行

Hive 会将一个查询转化成一个或者多个阶段。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。

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

当然,得是在系统资源比较空闲的时候才有优势,否则,没资源,并行也起不来。

6.严格模式

Hive 提供了一个严格模式,可以防止用户执行那些可能意向不到的不好的影响的查询。

通过设置属性 hive.mapred.mode 值为默认是非严格模式 nonstrict 。开启严格模式需要修改 hive.mapred.mode 值为 strict,开启严格模式可以禁止 3 种类型的查询。

1)对于分区表,除非 where 语句中含有分区字段过滤条件来限制范围,否则不允许执行。换句话说, 就是用户不允许扫描所有分区。进行这个限制的原因是,通常分区表都拥有非常大的数据集,而且数 据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表。

2)对于使用了 order by 语句的查询,要求必须使用 limit 语句。因为 order by 为了执行排序过程会将 所有的结果数据分发到同一个 Reducer 中进行处理,强制要求用户增加这个 LIMIT 语句可以防止 Reducer 额外执行很长一段时间。

3)限制笛卡尔积的查询。对关系型数据库非常了解的用户可能期望在执行 JOIN 查询的时候不使用 ON 语句而是使用 where 语句,这样关系数据库的执行优化器就可以高效地将 WHERE 语句转化成那 个 ON 语句。不幸的是,Hive 并不会执行这种优化,因此,如果表足够大,那么这个查询就会出现不 可控的情况。

7.JVM重用

JVM 重用是 Hadoop 调优参数的内容,其对 Hive 的性能具有非常大的影响,特别是对于很难避 免小文件的场景或 task 特别多的场景,这类场景大多数执行时间都很短。

Hadoop 的默认配置通常是使用派生 JVM 来执行 map 和 Reduce 任务的。这时 JVM 的启动过程可 能会造成相当大的开销,尤其是执行的 job 包含有成百上千 task 任务的情况。JVM 重用可以使得 JVM 实例在同一个 job 中重新使用 N 次。N 的值可以在 Hadoop 的 mapred-site.xml 文件中进行配置。通常 在 10-20 之间,具体多少需要根据具体业务场景测试得出。

这个功能的缺点是,开启 JVM 重用将一直占用使用到的 task 插槽,以便进行重用,直到任务完 成后才能释放。如果某个“不平衡的”job 中有某几个 reduce task 执行的时间要比其他 Reduce task 消耗 的时间多的多的话,那么保留的插槽就会一直空闲着却无法被其他的 job 使用,直到所有的 task 都结 束了才会释放。

8.推测执行

在分布式集群环境下,因为程序 Bug(包括 Hadoop 本身的 bug),负载不均衡或者资源分布不均等原因,会造成同一个作业的多个任务之间运行速度不一致,有些任务的运行速度可能明显慢于其他 任务(比如一个作业的某个任务进度只有 50%,而其他所有任务已经运行完毕),则这些任务会拖慢 作业的整体执行进度。为了避免这种情况发生,Hadoop 采用了推测执行(Speculative Execution)机 制,它根据一定的法则推测出“拖后腿”的任务,并为这样的任务启动一个备份任务,让该任务与原始 任务同时处理同一份数据,并最终选用最先成功运行完成任务的计算结果作为最终结果。

设置开启推测执行参数:Hadoop 的 mapred-site.xml 文件中进行配置

<property>
<name>mapreduce.map.speculative</name>
<value>true</value>
<description>If true, then multiple instances of some map tasks
may be executed in parallel.</description>
</property>
<property>
<name>mapreduce.reduce.speculative</name>
<value>true</value>
<description>If true, then multiple instances of some reduce tasks
may be executed in parallel.</description>
</property>

不过 hive 本身也提供了配置项来控制 reduce-side 的推测执行:

<property>
<name>hive.mapred.reduce.tasks.speculative.execution</name>
<value>true</value>
<description>Whether speculative execution for reducers should be 
turned on. </description>
</property>

关于调优这些推测执行变量,还很难给一个具体的建议。如果用户对于运行时的偏差非常敏感的 话,那么可以将这些功能关闭掉。如果用户因为输入数据量很大而需要执行长时间的 map 或者 Reduce task 的话,那么启动推测执行造成的浪费是非常巨大大。

9.压缩

上面压缩和存储有详细介绍

10.执行计划(Explain)

1)基本语法

EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query
(1)查看下面这条语句的执行计划
explain select * from emp;
explain select deptno, avg(sal) avg_sal from emp group by deptno;

(2)查看详细执行计划
explain extended select * from emp;

explain extended select deptno, avg(sal) avg_sal from emp 
group by deptno;

本文分享自微信公众号 - 1001次重燃(smile765999),作者:木东昭昭

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-02-14

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 拿美团offer,Hive基础篇(持续更新中)

    Hive 是基于 Hadoop 的一个数据仓库工具,可以将结构化的数据文件映射为一张表,并提供类 SQL查询功能。

    木野归郎
  • 细谈Hadoop生态圈

    Hadoop在过去的几年里已经变得很成熟了。下面的图1-2显示了Hadoop生态系统堆栈。Apache Phoenix是HBase的SQL包装,它需要基本的HB...

    木野归郎
  • Redis:面试几十多家公司,这些必须掌握

    面试时有关Redis有关的问题经常被问住,然后在网上找了大量相关的资料,整理出来,和大家一起学习。

    木野归郎
  • 一篇文章彻底明白Hive数据存储的各种模式

    Hive是基于Hadoop分布式文件系统的,它的数据存储在Hadoop分布式文件系统中。Hive本身是没有专门的数据存储格式,也没有为数据建立索引,...

    统计学家
  • 轻松搭建分布式文件系统

    用户在登录之后可以上传文件,也可以看到所有上传的文件(自己或其他用户上传的文件),并可以下载这些文件。

    用户1257215
  • Python 模块大全

    简单地说,模块就是一个保存了Python代码的文件。模块能定义函数,类和变量。模块里也能包含可执行的代码。

    Python知识大全
  • SAP CRM WebUI上Opportunity reason字段的后台配置

    有客户抱怨SAP CRM Web UI上reason这个类型为drop down list的字段在SAP CRM Fiori的My Opportunity应用里...

    Jerry Wang
  • 万达裁员遭人大教授怒怼:员工如告了 王健林赔不少

    所属王健林的万达网络科技集团(以下简称“万达网科”)裁员事件还在发酵。 12月28日,有知情人士对澎湃新闻表示,万达网科从当天开始大规模裁员,据称要从目前的60...

    企鹅号小编
  • EMR(弹性MapReduce)入门之数据仓库工具Hive组件使用(十一)

    Apache Hive数据仓库软件可以使用SQL方便地阅读、编写和管理分布在分布式存储中的大型数据集。结构可以投射到已经存储的数据上。提供了一个命令行工具和JD...

    小司机带你入门EMR
  • Python 打造自由 DIY 群聊机器人

    这几天我的一个小伙伴问我能不能给 Ta 做一个配置灵活的微信群聊天机器人,之前了解过 itchat 库的使用,我就爽快的答应了,花了一个晚上,终于做出了雏形。

    月小水长

扫码关注云+社区

领取腾讯云代金券