大厂都在用的Hive优化

大数据老哥

发布于 2021-03-05 14:35:19

1.5K0

发布于 2021-03-05 14:35:19

文章被收录于专栏：大数据解决方案大数据解决方案

前言

Hive作为大数据分析领域常用的仓库工具，即使是现在流式计算如火如荼背景下，Hive依然倍受各大厂商挚爱。使用Hive过程中，面对各种各样的查询需求，需要具有针对性的优化下面内容就给大家分别介绍下。

1. 启用压缩

压缩可以使磁盘上的数据量变小，例如，文本文件格式能够压缩40%甚至更高的比例，这样可以通过降低I/O来提高查询速度。除非产生的数据用于外部系统，或者存在格式兼容性问题，建议总是启用压缩。压缩与解压缩会消耗CPU资源，但是Hive产生的作业往往是IO密集型的。因此CPU开销通常不是问题。

1.1 查询出可用的编解码器：

set io.compression.codecs;

结果如下：

io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec,
          org.apache.hadoop.io.compress.DefaultCodec,
          org.apache.hadoop.io.compress.BZip2Codec,
          org.apache.hadoop.io.compress.SnappyCodec

1.2 启用中间数据压缩。

一个复杂的Hive查询再提交后，通常被转化成一系列中间阶段的MapReduce作业，Hive引擎将这些作业串联起来完成整个查询。可以将这些中间数据进行压缩。这里所说的中间数据指的是上一个MR作业的输出，这个输出将会被下一个MR作业作为输入数据使用。

 set hive.exec.compress.intermediate=true;
 set hive.intermediate.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;
 set hive.intermediate.compression.type=BLOCK;

1.3 启用结果压缩

当Hive输出接入到表中时，输出内容同样可以进行压缩。

 set hive.exec.compress.output=true;
 set mapreduce.output.fileoutputformat.compress=true;
 set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;
 set mapreduce.output.fileoutputformat.compress.type=BLOCK;

2. 优化连接查询

可以通过配置Map连接和倾斜连接的相关属性提升连接查询的性能。

2.1 自动Map连接

当连接一个大表和一个小表时，自动Map连接是一个非常有用特性。如果启动该特性，小表将保存在每个节点的本地缓存中，并在Map节点与大表进行连接。开启自动Map连接提供了两个好处。首先，将小标装进缓存将节省每个数据节点上的读取时间。其次，它避免了Hive查询中的倾斜连接，因为每个数据块的连接操作已经在Map阶段完成了。

set hive.auto.convert.join=true;
set hive.auto.convert.join.noconditionaltask=true;
set hive.auto.convert.join.noconditionaltask.size=100000000;
set hive.auto.convert.join.use.nonstaged=true;

其中:

hive.auto.convert.join：是否启用基于输入文件的大小，将普通连接转化为Map连接的优化机制。
hive.auto.convert.join.noconditionaltask：是否启用基于输入文件的大小，将普通连接转化为Map连接的优化机制。假设参与连接的表（或分区）有N个，如果打开这个参数，并且有N-1个表（或分区）的大小总和小于hive.auto.convert.join.noconditionaltask.size参数指定的值，那么会直接将连接转为Map连接。
hive.auto.convert.join.noconditionaltask.size：如果hive.auto.convert.join.noconditionaltask是关闭的，则本参数不起作用。否则，如果参与连接的N个表（或分区）中的N-1个的总大小小于这个参数的值，则直接将连接转为Map连接。默认值为10MB。
hive.auto.convert.join.use.nonstaged：对于条件连接，如果从一个小的输入流可以直接应用于join操作而不需要过滤或者投影，那么不需要通过MapReduce的本地任务在分布式缓存中预存。当前该参数在vectorization或tez执行引擎中不工作。

2.2 倾斜连接

两个大表连接时，会先基于连接键分别对两个表进行排序，然后连接它们。Mapper将特定键值的所有行发送给同一个Reducer。例如：表A的id列有1，2，3，4四个值，表B的id有1，2，3三个值，查询语句如下：

select A.id from A join B on A.id = B.id

一系列Mapper读取表中的数据并基于键发送给Reducer。如id=1行进入Reducer R1,id = 2的行进入Reducer R2的行等。这些Reducer产生A B的交集并输出。Reducer R4只从A获取行，不产生查询结果。

现在假设id=1的数据行是高度倾斜的，则R2和R3会很快完成，而R1需要很长时间，将成为整个查询的瓶颈。配置倾斜连接的相关属性可以有效优化倾斜连接。

set hive.optimize.skewjoin=true;
set hive.skewjoin.key=1000000;
set hive.skewjoin.mapjoin.map.tasks=10000;
set hive.skewjoin.mapjoin.min.split=33554432;

其中:

hive.optimize.skewjoin：是否为连接表中的倾斜键创建单独的执行计划。它基于存储在元数据中的倾斜键。在编译时，Hive为倾斜键和其他键值生成各自的查询计划。
hive.skewjoin.key：决定如何确定连接中的倾斜键。在连接操作中，如果同一键值所对应的数据行数超过该参数值，则认为该键是一个倾斜连接键。
hive.skewjoin.mapjoin.map.tasks：指定倾斜连接中，用于Map连接作业的任务数。该参数应该与hive.skewjoin.mapjoin.min.split一起使用，执行细粒度的控制。
hive.skewjoin.mapjoin.min.split：通过指定最小split的大小，确定Map连接作业的任务数。该参数应该与hive.skewjoin.mapjoin.map.tasks一起使用，执行细粒度的控制。

2.3 桶Map连接

如果连接中使用的表是特定列分桶的，可以开启桶Map连接提升性能。

set hive.optimize.bucketmapjoin=true;
set hive.optimize.bucketmapjoin.sortedmerge=true;

其中：

hive.optimize.bucketmapjoin：是否尝试桶Map连接。
hive.optimize.bucketmapjoin.sortedmerge：是否尝试在Map连接中使用归并排序。

3. 避免使用Order by 全局排序

Hive中使用order by 子句实现全局排序，order by只用一个reduce产生结果，对于大数据集，这种做法效率很低。如果不需要全局有序，则可以使用sort by子句，该子句为每个reduce生成一个排好序的文件。如果需要控制一个特定数据行流向哪个reducer，可以使用用distribute by 子句。如：

select id,name,salary, dept from employee distribute by dept sort by id asc, name desc;

属于一个dept的数据会分配到一个reducer进行处理，同一个dept的所有记录会按照id，name列排序。最终的结果集是全局有序的。

4. 启用Tex或者Spark执行引擎。

set hive.execution.engine=tex;
或者
set hive.execution.engine=spark;

5. 优化Limit操作

默认时limit操作仍然会执行整个查询，然后返回限定的行数。在有些情况下这种处理方式很浪费，因此可以通过设置下面的属性避免此行为。

set hive.limit.optimize.enable=true;
set hive.limit.row.max.size=true;
set hive.limit.optimize.limit.file=10;
set hive.limit.optimize.fetch.max=50000;

其中:

hive.limit.optimize.enable：是否启用limit优化。当使用limit语句时，对源数据进行抽样。
hive.limit.row.max.size：在使用limit做数据的子集查询时保证的最大行数据量。
hive.limit.optimize.limit.file：在使用limit做数据子集查询时，采样的最大文件数。
hive.limit.optimize.fetch.max：使用简单limit数据抽样时，允许的最大行数。

6. 启用并行执行

每条Hive SQL语句都被转化成一个或者多个阶段执行，可能是一个MapReduce阶段，采样阶段，限制阶段等。默认时，Hive在任意时刻只能执行其中一个阶段。如果组成一个特定作业的多个执行阶段是彼此独立的，那么它们可以并行执行，从而整个作业得以更快完成。设置下面的属性启用并执行。

set hive.exec.parallel=true;
set hive.exec.parallel.thread.number=8;

其中：

hive.exec.parallel：是否并行执行作业。
hive.exec.parallel.thread.number：最多可以并行执行的作业数。

7. 启用MapReduce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产生负面影响的查询。通过设置下面的属性启用MapReduce严格模式。

set hive.mapred.mode=strict

严格模式禁止3种类型的查询

对于分区表，where子句中不包含分区字段过滤条件的查询不允许执行。
对于使用了order by子句的查询，要求必须使用limit子句，否则不允许执行。
限制笛卡尔积查询。

8. 使用单一Reducer执行多个Group By

通过为group by操作开启单一reduce任务属性，可以将一个查询中的多个group by操作联合发送给单一MapReduce作业。

set hive.multigroupby.singlereducer=true;

9. 控制并行Reduce任务

Hive通过将查询任务分成一个或者多个MapReduce任务达到并行的目的。确定最佳的mapper个数和reducer个数取决于多个变量，例如输入的数据量以及对这些数据执行的操作类型等。如果有太多的mapper或者reducer任务，会导致启动、调度和运行作业过程产生过多的开销，而设置的数量太少，那么就可能没有重分利用好集群内在的并发性。对于一个Hive查询，可以设置下面的属性来控制并行reducer任务的个数。

set hive.exec.reducers.bytes.per.reducer=256000000;
set hive.exec.reducers.max=1009;

其中：

hive.exec.reducers.bytes.per.reducer：每个reducer的字节数，默认值为256MB。Hive是按照输入的数据量大小来确定reducer个数的。例如，如果输入的数据是1GB，将使用4个reducer。
hive.exec.reducers.max：将会使用的最大reducer个数。

10. 启用向量化

向量化特性在Hive 0.13.1版本中被首次引入。通过查询执行向量化，使Hive从单行处理数据改为批量处理方式，具体来说是一次1024行而不是原来的每次只处理一行，这大大提升了指令流水线和缓存的利用率，从而提高了扫描、聚合、过滤和链接等操作的性能。可以设置下面的属性启用查询执行向量化。

set hive.vectorized.execution.enabled=true;
set hive.vectorized.execution.reduce.enabled=true;
set hive.vectorized.execution.reduce.groupby.enabled=true;

其中：

hive.vectorized.execution.enabled：如果该标志设置为true，则开启查询执行的向量模式，默认值为false。
hive.vectorized.execution.reduce.enabled：如果该标志设置为true，则开启查询执行reduce端的向量模式，默认值为true。
hive.vectorized.execution.reduce.groupby.enabled：如果该标志设置为true，则开启查询执行reduce端group by操作的向量模式，默认值为true。

11. 启用基于成本的优化器

Hive 0.14 版本开始提供基于成本优化器（CBO）特性。使用过Oracle数据库的同学对CBO一定不会陌生。与Oracle类似，Hive的CBO也可以根据查询成本指定执行计划，例如确定表链接的顺序、以何种方式执行链接、使用的并行度等。设置下面的属性启用基于成本优化器。

set hive.cbo.enable=true;
set hive.compute.query.using.stats=true;
set hive.stats.fetch.partition.stats=true;
set hive.stats.fetch.column.stats=true;

其中：

hive.cbo.enable：控制是否启用基于成本的优化器，默认值是true。Hive的CBO使用Apache Calcite框架实现。
hive.compute.query.using.stats：该属性的默认值为false。如果设置为true，Hive在执行某些查询时，例如select count(1)，只利用元数据存储中保存的状态信息返回结果。为了收集基本状态信息，需要将hive.stats.autogather属性配置为true。为了收集更多的状态信息，需要运行analyzetable查询命令。
hive.stats.fetch.partition.stats：该属性的默认值为true。操作树中所标识的统计信息，需要分区级别的基本统计，如每个分区的行数、数据量大小和文件大小等。分区统计信息从元数据存储中获取。如果存在很多分区，要为每个分区收集统计信息可能会消耗大量的资源。这个标志可被用于禁止从元数据存储中获取分区统计。当该标志设置为false时，Hive从文件系统获取文件大小，并根据表结构估算行数。
hive.stats.fetch.column.stats：该属性的默认值为false。操作树中所标识的统计信息，需要列统计。列统计信息从元数据存储中获取。如果存在很多列，要为每个列收集统计信息可能会消耗大量的资源。这个标志可被用于禁止从元数据存储中获取列统计。

可以使用HQL的analyze table语句收集一个表中所有列相关的统计信息，例如下面的语句收集sales_order_face表的统计信息。

analyze table sales_order_fact compute statistics for climuns;
analyze table sales_order_fact compute statistics for columns order_number,customer_sk;

12. 使用合适的存储格式

Hive支持多种数据格式，如textFile、sequenceFile、RCFFile、ORCFile等。在合适的场景下使用合适的存储格式，有助于提升查询性能。

下面是选择存储格式建议的场景：

如果数据有参数的分隔符，那么可以选择TEXTFILE格式。
如果数据所在文件比块尺寸小、可以选择SEQUCEFILE格式。
如果想执行数据分析，并高效地存储数据，可以选择RCFFILE。
如果希望减少数据所需要的存储空间并提升性能，可以选择ORCFILE。

彩蛋

资源获取 获取Flink面试题，Spark面试题，程序员必备软件，hive面试题，Hadoop面试题，Docker面试题，简历模板，优质的文章等资源请去下方链接获取GitHub自行下载 https://github.com/lhh2002/Framework-Of-BigData Gitee 自行下载 https://gitee.com/li_hey_hey/dashboard/projects