优化实战
1、数据说明
学生信息表（student_txt）定义如下：
-- 创建数据库create database tuning;use tuning;-- 创建表create table if not exists tuning.student_txt(s_no string comment '学号',s_name string comment '姓名',s_birth string comment '出生日期',s_age int comment '年龄',s_sex string comment '性别',s_score int comment '综合得分',s_desc string comment '自我介绍')row format delimitedfields terminated by '\t';-- 数据加载load data local inpath '/root/hive/student/*.txt' into table tuning.student_txt;
数据文件位置：/root/hive/student，50个文件，每个文件平均大小 40M 左右，包含4W条左右的信息；
2、SQL案例
查询 student_txt 表，每个年龄最晚出生和最早出生的人的出生日期，并将其存入表 student_stat 中。
即：student_txt => student_stat
student_stat 表结构如下：
create table student_stat
(age int,
brith string)
partitioned by (tp string);
需要执行的SQL如下：
-- 开启动态分区
set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;
-- 插入数据
insert overwrite table student_stat partition(tp)
select s_age, max(s_birth) stat, 'max' tp
from student_txt
group by s_age
union all
select s_age, min(s_birth) stat, 'min' tp
from student_txt
group by s_age;
-- 备注：union all 重复的行不会被删除
- 静态分区：若分区的值是确定的，新增分区或者是加载分区数据时，指定分区名
- 动态分区：分区的值是非确定的，由输入数据来确定
- hive.exec.dynamic.partition（默认值true），是否开启动态分区功能，默认开启
- hive.exec.dynamic.partition.mode（默认值strict），动态分区的模式
- strict 至少一个分区为静态分区
- nonstrict 允许所有的分区字段都可以使用动态分区
问题1：SQL执行过程中有多少个Stage(job)
问题2：为什么在Stage-1、Stage-9中有9个Map Task、9个Reduce Task
问题3：SQL语句是否能优化，如何优化
3、执行计划
SQL => MR
解决上面这些问题，需要对 Hive 执行计划有一个基本的了解。
有越来越多的 Hive 经验后，掌握 Hive 背后的理论知识以及底层实现细节，会让更加高效地使用Hive。要了解Hive 是如何工作的，需要了解EXPLAIN的功能，它能帮助我们了解 Hive 如何将查询转化成 Mapreduce 任务。
Hive的执行计划不是最终真实的执行计划，但是对了解其中的细节仍然有帮助。
explain select * from student_txt;
explain select * from student_txt limit 10;
Explain
STAGE DEPENDENCIES:
Stage-0 is a root stage
STAGE PLANS:
Stage: Stage-0
Fetch Operator
limit: -1
Processor Tree:
TableScan
alias: student_txt
Statistics: Num rows: 4317304 Data size: 2193190912 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: s_no (type: string), s_name (type: string), s_birth (type: string), s_age (type: int), s_sex (type: string), s_score (type: int), s_desc (type: string)
outputColumnNames: _col0, _col1, _col2, _col3, _col4, _col5, _col6
Statistics: Num rows: 4317304 Data size: 2193190912 Basic stats: COMPLETE Column stats: NONE
ListSink
执行计划比较简单，只有一个Stage，这个Stage中只有Fetch Operator，读取数据。
stage-1 => stage-0
explain select count(*) from student_txt limit 10;
Explain
STAGE DEPENDENCIES:
Stage-1 is a root stage
Stage-0 depends on stages: Stage-1
STAGE PLANS:
Stage: Stage-1
Map Reduce
Map Operator Tree:
TableScan
alias: student_txt
Statistics: Num rows: 1 Data size: 2193190912 Basic stats: COMPLETE Column stats: COMPLETE
Select Operator
Statistics: Num rows: 1 Data size: 2193190912 Basic stats: COMPLETE Column stats: COMPLETE
Group By Operator
aggregations: count(1)
mode: hash
outputColumnNames: _col0
Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: COMPLETE
Reduce Output Operator
sort order:
Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: COMPLETE
TopN Hash Memory Usage: 0.1
value expressions: _col0 (type: bigint)
Reduce Operator Tree:
Group By Operator
aggregations: count(VALUE._col0)
mode: mergepartial
outputColumnNames: _col0
Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: COMPLETE
Limit
Number of rows: 10
Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: COMPLETE
File Output Operator
compressed: false
Statistics: Num rows: 1 Data size: 8 Basic stats: COMPLETE Column stats: COMPLETE
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
Fetch Operator
limit: 10
Processor Tree:
ListSink
SQL语句select count(*) from student_txt limit 10：
- Stage-1、Stage-0，Stage-0 依赖 Stage-1
- Stage-0 在结果集中取10条数据，显示在屏幕上
- Stage-1 包含Map Task 和 Reduce Task
再看一个稍微复杂一点SQL语句的执行计划：
explain
select s_score, max(s_birth)
from student_txt
where s_age > 22
group by s_score
limit 88;
以下SQL语句的执行计划：
explain
select s_age, max(s_birth) stat, 'max' tp
from student_txt
group by s_age
union all
select s_age, min(s_birth) stat, 'min' tp
from student_txt
group by s_age;
SQL有4个Stage，关系如下：
其中：
- Stage-1、Stage-3是root Stage，包含 Map Task、Reduce Task
- Stage-2 合并前两个Stage的数据集
- Stage-0将数据显示在屏幕上
执行计划小结：
一条 Hive SQL 语句会包含一个或多个Stage，不同的 Stage 间会存在着依赖关系。
越复杂的查询有越多的Stage，Stage越多就需要越多的时间时间来完成。
一个Stage可以是：Mapreduce任务（最耗费资源）、Move Operator（数据移动）、Stats-Aggr Operator（搜集统计数据）、Fetch Operator（读取数据）等；默认情况下，Hive一次只执行一个stage。
执行计划关键词信息说明：
- Map Reduce：表示当前任务所用的计算引擎是 MapReduce
- Map Operator Tree：表示当前描述的 Map 阶段执行的操作信息
- Reduce Operator Tree：表示当前描述的 Reduce 阶段执行的操作信息
Map/Reduce Operator Tree 关键信息说明：
- TableScan：表示对关键字 alias 声明的结果集进行扫描
- Statistics：表示当前 Stage 的统计信息，这个信息通常是预估值
- Filter Operator：表示在数据集上进行过滤
- predicate：表示在 Filter Operator 进行过滤时，所用的谓词
- Select Operator：表示对结果集上对列进行投影，即筛选列
- expressions：表示需要投影的列，即筛选的列
- outputColumnNames：表示输出的列名
- Group By Operator：表示在结果集上分组聚合
- aggregations：表示分组聚合使用的算法
- keys：分组的列
- Reduce Output Operator：表示当前描述的是对之前结果聚合后的信息
- key expressions / value expressions：Map阶段输出key、value所用的数据列
- sort order：是否进行排序，+ 正序，- 倒序
- Map-reduce partition columns：Map 阶段输出到 Reduce 阶段的分区列
- compressed：文件输出的结果是否进行压缩
- input format / output format：输入输出的文件类型
- serde：数据序列化、反序列化的方式
4、问题解答
问题1：SQL执行过程中有多少个job（Stage）
借助SQL的执行计划可以解答这个问题
explain
insert overwrite table student_stat partition(tp)
select s_age, max(s_birth) stat, 'max' tp
from student_txt
group by s_age
union all
select s_age, min(s_birth) stat, 'min' tp
from student_txt
group by s_age;
- 整个SQL语句分为 10 个Stage
- 其中Stage-1、Stage-9包含 Map Task、Reduce Task
- Stage-2 完成数据合并
- Stage 8、5、4、6、7、0 组合完成数据的插入（动态分区插入）
- Stage-3 收集SQL语句执行过程中的统计信息
- Stage-1、Stage-9、Stage-2 最为关键，占用了整个SQL绝大部分资源
问题2：为什么在 Stage-1、Stage-9 中都有 9个 Map task、9个 Reduce task
- 决定map task、reduce task的因素比较多，包括文件格式、文件大小（关键因素）、文件数量、参数设置等。下面是两个重要参数：
- mapred.max.split.size=256000000
- hive.exec.reducers.bytes.per.reducer=256000000
- 在Map Task中输入数据大小：2193190840 / 256000000 = 9
如何调整Map task、Reduce task的个数？
将这两个参数放大一倍设置，观察是否生效：
set mapred.max.split.size=512000000;
set hive.exec.reducers.bytes.per.reducer=512000000;
insert overwrite table student_stat partition(tp)
select s_age, max(s_birth) stat, 'max' tp
from student_txt
group by s_age
union all
select s_age, min(s_birth) stat, 'min' tp
from student_txt
group by s_age;
此时 Map Task、Reduce Task的个数均为5个，执行时间 80S 左右。
问题3：SQL语句是否能优化，如何优化
5、SQL优化
方法一：减少Map、Reduce Task 数
set mapred.max.split.size=1024000000;
set hive.exec.reducers.bytes.per.reducer=1024000000;
insert overwrite table student_stat partition(tp)
select s_age, max(s_birth) stat, 'max' tp
from student_txt
group by s_age
union all
select s_age, min(s_birth) stat, 'min' tp
from student_txt
group by s_age;
参数从 256M => 512M ，有效果
参数从 512M => 1024M，效果不明显
有效果，说明了一个问题：设置合理的Map、Reduce个数
方法二：减少Stage
使用Hive多表插入语句。可以在同一个查询中使用多个 insert 子句，这样的好处是只需要扫描一次源表就可以生成多个不相交的输出。如：
from tab1
insert overwrite table tab2 partition (age)
select name,address,school,age
insert overwrite table tab3
select name,address
where age>24;
多表插入的关键点：
- 从同一张表选取数据，可以将选取的数据插入其他不同的表中（也可以是相同的表）
- 将 “from 表名”，放在SQL语句的头部
按照这个思路改写以上的SQL语句：
-- 开启动态分区插入
set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;
-- 优化后的SQL
from student_txt
insert overwrite table student_stat partition(tp)
select s_age, max(s_birth) stat, 'max' tp
group by s_age
insert overwrite table student_stat partition(tp)
select s_age, min(s_birth) stat, 'min' tp
group by s_age;
-- 执行计划
explain
from student_txt
insert overwrite table student_stat partition(tp)
select s_age, max(s_birth) stat, 'max' tp
group by s_age
insert overwrite table student_stat partition(tp)
select s_age, min(s_birth) stat, 'min' tp
group by s_age;
减少 stage，最关键的是减少了一次数据源的扫描，性能得到了提升。
6、文件格式
-- 创建表插入数据，改变表的存储格式
create table student_parquet
stored as parquet
as
select * from student_txt;
select count(1) from student_parquet;
-- 仅创建表结构，改变表的存储格式，但是分区的信息丢掉了
create table student_stat_parquet
stored as parquet
as
select * from student_stat where 1>2;
-- 重新创建表
drop table student_stat_parquet;
create table student_stat_parquet
(age int,
b string)
partitioned by (tp string)
stored as parquet;
CTAS建表语句（CREATE TABLE AS SELECT）
- 使用查询创建并填充表，select中选取的列名会作为新表的列名
- 会改变表的属性、结构，只能是内部表、分区分桶也没有了
- CTAS创建表存储格式变成默认格式TEXTFILE，可以在CTAS语句中指定表的存储格式，行和列的分隔符等
- 字段的注释comment也会丢掉
更改表的存储格式后，数据文件大小在50M左右。
explain select count(1) from student_parquet;
Explain
STAGE DEPENDENCIES:
Stage-0 is a root stage
STAGE PLANS:
Stage: Stage-0
Fetch Operator
limit: 1
Processor Tree:
ListSink
parquet 文件保存了很多的元数据信息，所以这里没有Map、Reduce Task，直接从文件中的元数据就可以获取记录行数。
from student_parquet
insert into table student_stat_parquet partition(tp)
select s_age, min(s_birth) stat, 'min' tp
group by s_age
insert into table student_stat_parquet partition(tp)
select s_age, max(s_birth) stat, 'max' tp
group by s_age;
-- 禁用本地模式
set hive.exec.mode.local.auto=false;
使用parquet文件格式再执行SQL语句，此时符合本地模式的使用条件，执行速度非常快，仅 20S 左右；
禁用本地模式后，执行时间也在 40S 左右。
小结：
- 减少了对数据源的扫描
- 使用了列式存储格式
若有收获，就点个赞吧
0 人点赞
