Hive5:Hive优化
Map优化
- 通过调整脚本的参数来设置map的个数，和设置block大小，block是影响map个数的关键因素
直接设置map个数：set mapred.map.tasks=10
2.为了任务加快，有一些任务可以考虑开启compiners:
Hive.map.aggr=true
Reduce优化：
1.提交sql，设置的参数
原因：有一个reduce个数的计算公式，这个公式依赖于这个参数
Reduce个数=InputFileSize(整个文件数据的大小)/bytes per reducer(每一个reduce处理的大小)
这个参数就是设置分母
2.直接设置reduce的个数：
In order to change the average load for a reducer (in bytes):
set hive.exec.reducers.bytes.per.reducer=<number>
如果大于<number>，就会多生成一个reduce
<number> =1024 <1k 一个reduce
1m 10个reduce
set hive.exec.reducers.bytes.per.reducer=20000;
select user_id,count(1) as order_cnt
from orders group by user_id limit 10;
--结果number of mappers: 1; number of reducers: 1009
In order to limit the maximum number of reducers:
set hive.exec.reducers.max=<number>
set hive.exec.reducers.max=10;
-- number of mappers: 1; number of reducers: 10
In order to set a constant number of reducers:
set mapreduce.job.reduces=<number>
set mapreduce.job.reduces=5;
--number of mappers: 1; number of reducers: 5
set mapreduce.job.reduces=15;
--number of mappers: 1; number of reducers: 15
对你当前窗口，或者执行任务（脚本）过程中生效
4.分区优化：
减少不必要的数据过滤。
5.笛卡尔积优化：
用where取代on
6.map join优化：
Map join：类似一种检索配置文件的形式
例如：A是一个文件，B是一个文件，A.join B
如果A是小表，考虑是否可以将A放入内存，只遍历大表B，大表可以帮忙做一个性能的提升。
如何知道哪个是小表和大表：
MAPJOIN(tablelist)明确mapjoin里是小表
/*+ STREAMTABLE(a) */ a是大表
类似map join 放到select中的，区别：它是指定大表
select /+STREAMTABLE(pr)/ ord.order_id,pr.product_id,pro.aisle_id
from orders ord
join priors pr on ord.order_id=pr.order_id
join products pro on pr.product_id=pro.product_id
limit 10;
7.union/union all优化：
union all / distinct == union
--运行时间：74.712 seconds 2job
select count(distinct *)
from (
select order_id,user_id,order_dow from orders where order_dow='0' union all
select order_id,user_id,order_dow from orders where order_dow='0' union all
select order_id,user_id,order_dow from orders where order_dow='1'
)t;
--运行时间122.996 seconds 3 job
select count(*)
from(
select order_id,user_id,order_dow from orders where order_dow='0' union
select order_id,user_id,order_dow from orders where order_dow='0' union
select order_id,user_id,order_dow from orders where order_dow='1')t;
8.两个不同任务来自一张表的优化：
从公共表取数据写到另外一张表里，例如：
9.执行hive任务的时候会产生一些临时中间文件，中间小的文件比较多，如何对多个小文件进行合并：
配置参数：map阶段，reduce结果做合并，每个任务预期合并的size大小
10.数据倾斜问题优化：
假设数据源存在数据倾斜问题（有的key的记录多，有的key的记录少，记录多的跑到同一个
Reduce里，会导致一个reduce特别慢，key的分布不均匀）
优化方法：
10.1.Mr：对key做改写来解决类似问题
10.2.Hive：hive.groupby.skewindata这个参数会帮你完成一定的负载均衡
如果在不导致reduce一直失败起不来的时候，就不用这个变量
如果确实出现了其中一个reduce的处理数据量太多，导致任务一直出问题，运行时间长。这种情况需要设置这个变量。
10.3 '-' ,where age<>'-' 直接丢掉这个数据
select age,count(1) group by age where age<>'-'
怎么定位具体哪几个key发生倾斜？
sample（简单采样）
10.4 空间换时间
案例： Select day,count(distinct session_id),count(distinct user_id) from log a group by day
问题：
同一个reduce上进行distinct操作时压力很大
方法：
select day,
count(case when type='session' then 1 else null end) as session_cnt, • count(case when type='user' then 1 else null end) as user_cnt
from (
select day,session_id,type
from (
select day,session_id,'session' as type
from log
union all
select day user_id,'user' as type
from log
) • group by day,session_id,type
) t1
group by day
11.sql语句优化
例如如下两个sql语句：
第一条sql语句在join后再进行过滤，相当于做了两步。
第二条sql语句在join过程中就对条件进行了预先过滤。
12.并行执行MapReduce优化，如下图：
例如每个圆形就是一个MapReduce，橙色部分需要依赖别人，蓝色部分没有相互依赖关系的节点就可以尽可能地单独执行。
那么蓝色的MapReduce就可以同时执行，就是并行。设置并行执行的方法：
开启并行的方法：Set hive.exec.parallel设置为true
同步执行hive的多个阶段，hive在执行过程，将一个查询转化成一个或者多个阶段。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相互依赖的，也就是说可以并行执行
的，这样可能使得整个job的执行时间缩短。
hive执行开启：
set hive.exec.parallel=true
13.大小表关联的优化：
原理：
Hive在进行join时，按照join的key进行分发，而在join左边的表的数据会首先读入内存，如果左边表的key相对
分散，读入内存的数据会比较小，join任务执行会比较快；而如果左边的表key比较集中，而这张表的数据量很大，那么数据倾斜就会比较严重，而如果这张表是小表，则还是应该把这张表放在join左边。
优化思路：
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
使用map join让小的维度表先进内存。
方法：
Small_table join big_table
14.分组的特殊值处理优化：
原理：例如日志中有一部分的userid是空或者是0的情况，导致在用user_id进行hash分桶的时候，会将日志中userid为0或者空的数据分到一起，导致了过大的斜率。
优化思路：
把空值的key变成一个字符串加上随机数，把倾斜的数据分到不同的reduce上，由于null值关联不上，处理后并不影响最终结果。
方法：
on case when (x.uid = '-' or x.uid = '0‘ or x.uid is null) then concat('dp_hive_search',rand()) else x.uid
end = f.user_id;
- 大大表关联的优化：
案例：Select * from dw_log t join dw_user t1 on t.user_id=t1.user_id
现象：两个表都上千万，跑起来很悬
思路：
当天登陆的用户其实很少，将绝大部分没用的用户的基础信息过滤掉，结合业务的特点，将大表变成小表
方法：
Select/+MAPJOIN(t12)/ *
from dw_log t11
join (
select/+MAPJOIN(t)/ t1.*
from (
select user_id from dw_log group by user_id
) t
join dw_user t1
on t.user_id=t1.user_id
) t12
on t11.user_id=t12.user_id
- 聚合时存在大量特殊值的优化
原因：
做count distinct时，该字段存在大量值为NULL或空的记录。
思路：
count distinct时，将值为空的情况单独处理，如果是计算count distinct，可以不用处理，直接过滤，在最后结果中加1。如果还有其他计算，需要进行group by，可以先将值为空的记录单独处理，再和其他计算结果进行union
方法：
select cast(count(distinct(user_id))+1 as bigint) as user_cnt
• from tab_a
• where user_id is not null and user_id <> ''
