注意,以下操作都是针对非分桶表
map数量
- 算法
- MapTask的个数=输入文件总大小/分片尺寸,个人理解就是输出的文件数量
- 原因:系统对输入的源文件依照Block的尺寸分片,并在执行Job时安排一个Map Task处理一个Block的
- 或者由mapred.map.task数量决定,但是如果这个参数不合理的话,会失效
- 小文件不分片
- 压缩文件无法被切分
- MapTask的个数=输入文件总大小/分片尺寸,个人理解就是输出的文件数量
- 优化建议
- 优化原因
- map数量过少则导致并发度减小,job过长;若大量作业,则会堵塞
- 减小map数量:合并小文件(hive0.7之后会自动合并) ,是优化的策略
- map阶段会输出过多小文件,而初始化和创建map的开销很大,在 block 数据量偏少的情况下,单个任务运行的时间就少,那么任务开启的开销很可 能占据总开销的大量比例
- 如果已知数据源中小文件过多,用户最好在向新表导入数据之前就打开automerge 开关,使一个 Task 处理多个 block。因为同属一个 Task 的结果将被返回在同一个文件中,因此导入数据时做任务的合并处理可达到小文件合并效果。然后关闭automerge 开关,今后都不用再对该表开启
- 除了检查 block 的大小,还可以通过在 4040 端口查看任务第一阶段 Tasks 的数量和每Task 的运行时间判断是否需要 automerge
- 第一阶段的 Task 负责 Map 端任务,默认每个Task 对应一个 block,所以如果第一阶段 Task 过多而且单个执行时间短,表示小体积 block 多,Task 运行效率低,需要启用 automerge。注意,不建议为每个线程安排过多的 block。 在调整相关参数时注意,所设计的下限要尽量保证单个 Task 的处理时间不要低于 2s,调 整的上线不能使对应的
- 合并之后的大小最好控制在 256M以内,能实现较好的性能(这只是个参 考值,具体情况需根据实际数据量和列数而定)
- 查看实际运行时 GC的状况,如果大部分 Tasks的 GC时间占Task运行时间的 15%以内,可以合并的更多一些。GC时间可以在 4040界面观察
- 查看每个Task的执行时间,最好不要超过2分钟。如果太长,很可能 会产生 GC问题和拖尾效应,即某个 Task过长而导致的整体运行时间 过长。这时应适当增加 Task
- 选取 automerge参数时,在设计下限的时候,尽量保证单个 Task 的处理时间不要低于 2s
- 增加map数量:上一个job的reduce
- 优化原因
- 过少:如果数据量很大,会导致这个reduce异常的慢,从而导致这个任务不能结束,也有可能会OOM
- 过多:产生的小文件太多,合并起来代价太高,namenode的内存占用也会增大。如果我们不指定mapred.reduce.tasks, hive会自动计算需要多少个reducer
- 由map端数据复制到Reduce端的数据大小决定
- 有很多任务是没有reduce的过程的
- 可以通过设置mapred.reduce.task来控制reduce数
- Hive的估计机制很弱,不指定reducer个数的情况下,Hive会猜测确定一个reducer个数,基于以下两个设定:
- 1. hive.exec.reducers.bytes.per.reducer(默认为1000^3)
- 这个参数控制一个job会有多少个reducer来处理,依据的是输入文件的总大小。默认1GB
- 2. hive.exec.reducers.max(默认为999)
- 如果 input / bytes per reduce > max 则会启动这个参数所指定的reduce个数。 这个并不会影响mapre.reduce.tasks参数的设置
- 1. hive.exec.reducers.bytes.per.reducer(默认为1000^3)
- 计算reducer数的公式很简单:N=min(参数2,总输入数据量/参数1)
- 通常情况下,有必要手动指定reducer个数。考虑到map阶段的输出数据量通常会比输入有大幅减少,因此即使不设定reducer个数,重设参数2还是必要的。依据Hadoop的经验,可以将参数2设定为0.95*(集群中TaskTracker个数)
- 通常(不是绝对),大表 JOIN或者 GROUPBY后,产生的数据量相对原始数据小很多。这时可以减少后面 ReduceTask的数目,使 Reduce Task的启动 更有价值
- 针对 GROUP BY、JOIN、INRTERSACT、EXCEPT、EXTRACT 这五个操作,改变两个 Task数目比例分别对应的语句:
- SEThive.groupby.aggregateratio=0.6;
- SEThive.join.aggregateratio=1.0;
- SEThive.intersect.aggregateratio=1.0;
- SEThive.except.aggregateratio=1.0;
- SEThive.extract.aggregateratio=1.0;
- set ngmr.partition.automerge=true;
- set ngmr.partition.mergesize.mb=-1
- 合并以后每个task最多处理的数据量大小,-1表示关闭该参数
- 默认8M;优先级大于ngmr.partition;mergesize
- 设置一个Block大小,单位MB,-1默认不执行
- 可以根据任务设置大小,比如200、300等
- set ngmr.partition.mergesize=3;
- 表示将 n 个 block 安排给单个线程处理
- 参数3代表当前3个tasks合并成一个task
- 可以根据需要仅设置这两个参数(mergesize.mb)其中之一,默认使用方法 mergesize.mb来控制
- 如果需要使用方法 mergesize,需要将 mergesize.mb 设为-1。