🌞执行计划
用于发现问题
explain
EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query
🌞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。
方法一：
修改配置文件
<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//只要用到hdfs数据都走mr1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only//只在select *、按分区字段过滤过滤、有limit的字段，不走mr2. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)1+抽样调查、别名</description></property>
//只要用到hdfs数据都走mr
0. none : disable hive.fetch.task.conversion
//只在select 、按分区字段过滤过滤、有limit的字段，不走mr
1. minimal : SELECT STAR（select ）, FILTER on partition columns（按分区字段过滤过滤）, LIMIT（有limit的字段） only
//只在select *、按分区字段过滤过滤、有limit的字段，抽样调查、别名
2. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE（抽样调查） and virtual columns（别名）)
方法二：
set hive.fetch.task.conversion=xxx
🌞本地模式：
单节点运行不需要频繁调用yarn
开启本地模式：
set hive.exec.mode.local.auto=true;
开启后自动判断是否使用：
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=xxxxxxx
设置local mr的最大输入文件个数，当输入文件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=xx;
🌞表的优化
🍊小表、大表 join（Mapjoin）
场景：维度表为小表， 事实表为大表 两者相join
原理：将小表广播到各个map的内存中，然后遍历大表的数据去内存中进行匹配，匹配上的留下，匹配不上的去除
所以只能适用于 内关联和小表为外关联的副表的时候
例如left join 小表在左边，所以是主表，所以此时若进行map join 么 无法得到想要的最终结果 ，要交给下游reduce进行进一步处理才能最终聚合：
点击查看【bilibili】
原本：
小表在左边，大表在右边，系统就会启动mapjoin，将小表加载到内存中，这样mr效率会高很多（相比reducejoin执行步骤少很多）
新版本：
小表写左右两边效果一致，可看执行计划验证
配置：
hive的mapjoin配置默认为启动true
关闭操作：
set hive.auto.convert.join = false;
大小表阈值设置：（默认25M以下为小表）
set hive.mapjoin.smalltable.filesize=xxxxxxxxxxx
🍊大表Join大表（数据倾斜）
概述：
如果一张表里面有大量null值，或者其他相同值，
会容易造成数据倾斜，为了避免数据倾斜：
对于null值：
1）不需要空值的场合：
先where过滤后再join
比先join再where效率高
2）需要空值的场合：
方案：为null值赋值上与jion的字段类型不同的随机值
解释：因为原本null值就不和非null值join上，所以要用不同类型来保证不join。
用随机值保证不数据倾斜。
select n.* from nullidtable n full join bigtable o on
nvl(n.id,case(rand()*-10240 as int) = o.id;
对于非null值：
1) SMB(Sort Merge Bucket join)
原理：<br />创建兩張分桶表，对需join的字段进行分桶，<br />分桶后变成小表，这样多个小表相互join而且join的字段已经被分在一起<br /><br />分桶是根据key的hash值对reducetask个数取余得到的分散得均匀的数据（数据倾斜依旧存在，但加快了join速度）
步骤：<br />1）创建分桶表，每个表的桶不能超过cpu的核数，比如3台虚拟机每台2个核那么桶的个数就不能超过2*3个核的数量
create table bigtable_buck1(
id bigint,
t bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url stirng
)
clustered by(id)
sorted by(id)
into 6 buckets
row format delimited fields terminated by '\t';
load data local inpath '/opt/module/data/bigtable' into table bigtable_buck1;
create table bigtable_buck2(
id bigint,
t bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url stirng
)
clustered by(id)
sorted by(id)
into 6 buckets
row format delimited fields terminated by '\t';
load data local inpath '/opt/module/data/bigtable' into table bigtable_buck2;
2）设置参数，开启分桶join
set hive.optimize.bucketmapjoin = true;
set hive.optimize.bucketmapjoin.sortedmerge =ture;
set hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;
3) join，这里的join需要开启上面的参数才有效
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;
🍊Group By 参数解决数据倾斜
group by 容易造成数据倾斜
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。
说明：
数据倾斜不是group by 的问题，而是数据本身的问题，
只是遇到数据倾斜和group by同时存在的情况下，可以选择调整这个参数来解决
解决方案：
开启两个MR任务（hive.groupby.skewindata），
1）开启Map端聚合参数设置
（1）是否在Map端进行聚合，默认为True，相当于mr的combiner
set hive.map.aggr = true
（2）在Map端进行聚合操作的条目数目
通过hive.groupby.mapaggr.checkinterval参数也可以设置map端预聚合的行数阈值，超过该值就会分拆job，默认值100000
set hive.groupby.mapaggr.checkinterval = 100000
（3）有数据倾斜的时候进行负载均衡（默认是false）
set hive.groupby.skewindata = true
当选项（3）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。
原理：比如key=1有很多，那么只要制造随机数拼接到1上就可以分配到不同的reduce上了,如：
1_2
1_8
1_4
1_3
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。
原理：将第一个MR中拼接的随机数去掉（split）。
使用场景：
数据量大，或者倾斜比较严重的时候才使用
优化前，一个MR
hive (default)> select deptno from emp group by deptno;
--------------------------------------------------------
Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 23.68 sec HDFS Read: 19987 HDFS Write: 9 SUCCESS
Total MapReduce CPU Time Spent: 23 seconds 680 msec
OK
deptno
10
20
30
优化以后,出现两个MR
hive (default)> set hive.groupby.skewindata = true;
hive (default)> select deptno from emp group by deptno;
----------------------------------------------------------
Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 28.53 sec HDFS Read: 18209 HDFS Write: 534 SUCCESS
Stage-Stage-2: Map: 1 Reduce: 5 Cumulative CPU: 38.32 sec HDFS Read: 15014 HDFS Write: 9 SUCCESS
Total MapReduce CPU Time Spent: 1 minutes 6 seconds 850 msec
OK
deptno
10
20
30
🍊 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操作需只用一个Reduce Task来完成（也就是数据倾斜），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,利用reduce并行去重，效率更高但是需要注意group by（不是group by的锅，是reduce的问题）造成的数据倾斜问题，和group by优化一样，数据量小的时候考虑不用，因为要开启2次mr
1） 案例实操
（1）创建一张大表
hive (default)> create table bigtable
(id bigint,
time bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url string)
row format delimited fields terminated by '\t';
（2）加载数据
hive (default)> load data local inpath '/opt/module/datas/bigtable' into table bigtable;
（3）设置5个reduce个数（无论设置多少个最终都只会用回一个）
set mapreduce.job.reduces = 5;
（4）执行去重id查询
hive (default)> select count(distinct id) from bigtable;
--------------------------------------------------------------------------------------------------
Stage-Stage-1: Map: 1 Reduce: 1 Cumulative CPU: 7.12 sec HDFS Read: 120741990 HDFS Write: 7 SUCCESS
Total MapReduce CPU Time Spent: 7 seconds 120 msec
OK
c0
99947
Time taken: 23.607 seconds, Fetched: 1 row(s)
（5）采用GROUP by去重id（利用reduce并行去重，效率更高）
hive (default)> select count(id) from (select id from bigtable group by id) a;
Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 17.53 sec HDFS Read: 120752703 HDFS Write: 580 SUCCESS
Stage-Stage-2: Map: 1 Reduce: 1 Cumulative CPU: 4.29 sec2 HDFS Read: 9409 HDFS Write: 7 SUCCESS
Total MapReduce CPU Time Spent: 21 seconds 820 msec
OK
_c0
99947
Time taken: 50.795 seconds, Fetched: 1 row(s)
虽然会多用一个Job来完成，但在数据量大的情况下，这个绝对是值得的。
说明：
这里数据量小，效果反而差了
🍊sort by代替order by
HiveQL中的order by与其他SQL方言中的功能一样，就是将结果按某字段全局排序，这会导致所有map端数据都进入一个reducer中，在数据量大时可能会长时间计算不完。
如果使用sort by，那么还是会视情况启动多个reducer进行排序，并且保证每个reducer内局部有序。为了控制map端数据分配到reducer的key，往往还要配合distribute by一同使用。如果不加distribute by的话，map端数据就会随机分配到reducer。
举个例子，假如要以UID为key，以上传时间倒序、记录类型倒序输出记录数据：
select uid,upload_time,event_type,record_data
from calendar_record_log
where pt_date >= 20190201
and pt_date <= 20190224
distribute by uid
sort by upload_time desc,event_type desc;
🍊行列过滤（where）
前提：
数据量大时，先过滤（where）后 join 效果比先join后where快的多！！大表join大表会很慢
点击查看【bilibili】
列处理（select）：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（where）：在分区剪裁中，当使用外关联时，如果将副表的过滤条件（where o.id <= 10）写在Where上，那么就会先全表关联，之后再过滤，比如：
案例实操：
1）测试先关联两张表，再用where条件过滤
hive (default)> select o.id from bigtable b
join bigtable o on o.id = b.id
where o.id <= 10;
2）通过子查询后，再关联表（先过滤（where）后 join ）
hive (default)> select b.id from bigtable b
join (select id from bigtable where id <= 10 ) o on b.id = o.id;
看explain执行计划可以知道：
hive内部优化器优化执行了谓词下推操作，先执行了过滤操作将谓词join下推到最后的reduce执行
这样导致了：案例1）和 案例2）效果差不多了，
但是在生产环境中，sql写长了很容易导致优化失效，所以最好还是用手动优化的案例二比较好
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: b
Statistics: Num rows: 1 Data size: 1207347456 Basic stats: COMPLETE Column stats: NONE
Filter Operator // 过滤
predicate: (id <= 10L) (type: boolean) // 过滤条件
Statistics: Num rows: 1 Data size: 1207347456 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: id (type: bigint)
outputColumnNames: _col0
Statistics: Num rows: 1 Data size: 1207347456 Basic stats: COMPLETE Column stats: NONE
Reduce Output Operator
key expressions: _col0 (type: bigint)
sort order: +
Map-reduce partition columns: _col0 (type: bigint)
Statistics: Num rows: 1 Data size: 1207347456 Basic stats: COMPLETE Column stats: NONE
TableScan
alias: o
Statistics: Num rows: 1 Data size: 1207347456 Basic stats: COMPLETE Column stats: NONE
Filter Operator
predicate: (id <= 10L) (type: boolean)
Statistics: Num rows: 1 Data size: 1207347456 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: id (type: bigint)
outputColumnNames: _col0
Statistics: Num rows: 1 Data size: 1207347456 Basic stats: COMPLETE Column stats: NONE
Reduce Output Operator
key expressions: _col0 (type: bigint)
sort order: +
Map-reduce partition columns: _col0 (type: bigint)
Statistics: Num rows: 1 Data size: 1207347456 Basic stats: COMPLETE Column stats: NONE
Reduce Operator Tree:
Join Operator // reduce 最后执行了join操作
condition map:
Inner Join 0 to 1
keys:
0 _col0 (type: bigint)
1 _col0 (type: bigint)
outputColumnNames: _col1
Statistics: Num rows: 1 Data size: 1328082230 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: _col1 (type: bigint)
outputColumnNames: _col0
Statistics: Num rows: 1 Data size: 1328082230 Basic stats: COMPLETE Column stats: NONE
File Output Operator
compressed: false
Statistics: Num rows: 1 Data size: 1328082230 Basic stats: COMPLETE 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
Fetch Operator
limit: -1
Processor Tree:
ListSink
🍊分区分桶
🍊Vectorization矢量计算
vectorization：矢量计算技术，在计算类似 scan, filter, aggregation 的时候， vectorization 技术以设置批处理的增量大小为 1024 行单次来达到比单条记录单次获得更高的效率。开启设置如下
例如全表扫描此时扫描表的时候就是从之前每次1行到以每次1024行来进行扫描
set hive.vectorized.execution.enabled=true ;
set hive.vectorized.execution.reduce.enabled=true;
🍊多重模式
🍊in 用 left semi join代替
in 其实相当于 inner join ，用 left semi join 代替 inner join
🍊cbo及谓词下推
cbo
是 cost base optimizer 基于成本的优化，默认开启
谓词下推
默认开启
原理是：提前执行where 语句
但是关了这个参数还是会进行谓词下推，cbo本身也包含谓词下推
🌞合理设置Map及Reduce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，这就意味着很多小文件需要排队处理造成阻塞。
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(map一行一行读)，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；
调整MAP
复杂文件增加Map数（maxsize）
对应上面第 3）点！
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)))公式，调低maxSize最大值。让maxSize最大值低于blocksize就可以增加map的个数。
目的：通过减小切片大小来增加map数（切片数=map数）
如果：
处理文件大小>128M，那么有可能产生磁盘io
处理文件大小<128M, 那么就不会产生磁盘io
案例实操：
1．执行查询
hive (default)> select count(*) from emp;
Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 1
2．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;
Hadoop job information for Stage-1: number of mappers: 6; number of reducers: 1
小文件进行合并
（1）mr输入：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。
原因：一个小文件启动一个map，而启动一个map消耗的时间比执行小文件时消耗更长时间（上面第 2）点）
set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;（可以看出已经默认了）
（2）mr输出：在Map-Reduce的任务结束时合并小文件的设置：
目的：
存储时，防止存储小文件，导致namenode元数据过多
两种情况：
①在map-only任务结束时合并小文件，默认true
SET hive.merge.mapfiles = true;
②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
--如果原先输出的文件平均大小小于这个值，则开启小文件合并。
--比如输出原本有100个文件，总大小1G，那平均每个文件大小只有10M，如果我们这个参数设置为16M，这时就会开启文件合并
SET hive.merge.smallfiles.avgsize = 16777216;
调整Reduce数
调整方法①：
在hive中：
mapreduce.job.reduce=-1默认
这个配置下，会根据任务来分配reduce个数：
①根据分桶指令可指定reduce
②根据文件大小来分配reduce：
（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(1009，总输入数据量/参数1)// 从真实数据量和1009里选小的
调整方法②：
在hadoop的mapred-default.xml文件中修改
设置每个job的Reduce个数
hive中热改：
set mapreduce.job.reduces = 15;
reduce个数选择原则
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；
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
🌞并行执行Map和Reduce
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。
/
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。
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
🌞严格模式
所谓严格模式，就是强制不允许用户执行3种有风险的HiveQL语句，一旦执行会直接失败。
将hive.strict.checks.no.partition.filter设置为true时，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。
set hive.strict.checks.no.partition.filter = true将hive.strict.checks.orderby.no.limit设置为true时，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。
set hive.strict.checks.orderby.no.limit = true将hive.strict.checks.cartesian.product设置为true时，会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。
set = hive.strict.checks.cartesian.product = true🌞数据倾斜总结
1、数据倾斜发生在shuffler阶段
group by ：set hive.groupby.skewindata = true;
join：set hive.optimize.skewjoin=true;
2、增加reduce个数
在大数据量的key都被分配到一起的时候，可以增加reduce的个数，在一定程度上减轻数据倾斜（不推荐，太麻烦了）
例如下图 一共有两个分区，其中A,C,E分到一个分区，B，D，F被分到一个分区
此时增加分区数到6个则可以降低数据倾斜
怎么确定key的数据量？—>使用抽样
3、使用mapjoin
没有shuffler 就不会产生数据倾斜
4、数据类型不一致！统一类型：
原因：如果两个数值一个是string类型，一个是int类型，会一起转化为bigint
对于3.x版本：
但是int类型超出bigint的话就会会产生null值
而string本身和bigint不兼容也会产生null值
2.x版本：
超出范围产生一个bigint的最大值
产生数据倾斜的语法： group by、 join
若有收获，就点个赞吧
0 人点赞
