hive通過將查詢劃分成一個或多個MapReduce任務達到並行處理的目的。每個任務都可能具有多個mapper和reducer任務,其中至少有一些是可以並行執行的。
確定最佳的mapper個數和reducer個數取決於多個變量,例如輸入的數據量大小以及對這些數據執行的操作類型等。
保持平衡性是很有必要的,對於Spark/Hadoop這樣的大數據系統來講,數據量大並不可怕,可怕的是數據傾斜,每個節點處理的運算不均衡。
如果有太多的mapper或reducer任務,就會導致啓動階段、調度和運行job過程中產生過多的開銷;而如果設置的數量太少,那就有可能沒充分利用好集羣內在並行性。
mapred.reduce.tasks
所提交 Job 的 reduer 的個數,使用 Hadoop Client 的配置。
1hive.mapred.mode
Map/Redure 模式,如果設置爲 strict,將禁止3中類型的查詢:
1.分區表的where篩選條件必須含有分區字段;
2.對使用了order by語句的查詢,必須使用limit語句
(order by語句爲執行排序會將所有的結果集數據分發到同一個reducer中進行處理,增加limit語句可以防止reducer額外執行很長時間)
3.限制笛卡兒積的查詢,就是有where語句,而沒有on語句。
'nonstrict'hive.merge.mapfiles
在Map-only的任務結束時合併小文件
是否開啓合併 Map 端小文件,當Hive輸入由很多個小文件組成,由於每個小文件都會啓動一個map任務,
如果文件過小,會使得map任務啓動和初始化的時間大於邏輯處理的時間,造成資源浪費,甚至OOM。
爲此,當我們啓動一個任務,發現輸入數據量小但任務數量多時,需要注意在Map前端進行輸入合併。
當然,在我們向一個表寫數據時,也需要注意輸出文件大小
true
hive.merge.mapredfiles
是否開啓合併 Map/Reduce 小文件,即是否在Map-Reduce的任務結束時合併小文件
falsehive.exec.parallel
是否開啓 map/reduce job的併發提交。
falsehive.limit.optimize.enable
當使用LIMIT語句時,其可以對數據源進行抽樣,避免執行整個查詢語句,然後再返回部分結果
但這個功能有個缺點,有可能輸入中有用的數據永遠不會被處理到。
hive.exec.reducers.bytes.per.reducer
每一個 reducer 的平均負載字節數。
1000000000hive.exec.reducers.max
設置reducer個數的上限,可以阻止某個查詢消耗過多的reducer資源,對這個屬性值大小的設定,一個建議的計算公式如下:
(集羣總Reduce槽位個數*1.5) / (執行中查詢的平均個數)
1.5倍數是一個經驗係數,用於防止未充分利用集羣的情況。999
hive.exec.rowoffset
hive提供了2種虛擬列:一種用於將要進行劃分的輸入文件名,另一種用於文件中的塊內偏移量。
當hive產生了非預期的或null的返回結果時,可以通過這些虛擬列診斷查詢。通過這些“字段”,用戶可以查看到哪個文件甚至哪些數據導致出現問題:
SELECT
INPUT_FILE_NAME,
BLOCK_OFFSET_INSIDE_FILE,
ROW_OFFSET_INSIDE_BLOCK,
line
FROM hive_text
WHERE line LIKE '%hive%' LIMIT 2;
truehive.multigroupby.singlemr
一個特別的優化,是否將查詢中的多個group by操作組裝到單個MapReduce任務中。
falsehive.exec.dynamic.partition
是否打開動態分區。
falsehive.exec.dynamic.partition.mode
打開動態分區後,動態分區的模式,有 strict 和 nonstrict 兩個值可選,strict 要求至少包含一個靜態分區列,nonstrict 則無此要求。
stricthive.exec.max.dynamic.partitions
所允許的最大的動態分區的個數。
1000hive.exec.max.dynamic.partitions.pernode
單個 reduce 結點所允許的最大的動態分區的個數。
100hive.exec.default.partition.name
默認的動態分區的名稱,當動態分區列爲''或者null時,使用此名稱。
'__HIVE_DEFAULT_PARTITION__'
hive.exec.mode.local.auto
決定 Hive 是否應該自動地根據輸入文件大小,在本地運行(在GateWay運行)
truehive.exec.mode.local.auto.inputbytes.max
如果 hive.exec.mode.local.auto 爲 true,當輸入文件大小小於此閾值時可以自動在本地模式運行,默認是 128M。
134217728Lhive.exec.mode.local.auto.tasks.max
如果 hive.exec.mode.local.auto 爲 true,當 Hive Tasks(Hadoop Jobs)小於此閾值時,可以自動在本地模式運行。
4hive.auto.convert.join
是否根據輸入小表的大小,自動將 Reduce 端的 Common Join 轉化爲 Map Join,從而加快大表關聯小表的 Join 速度。
falsehive.mapred.local.mem
Mapper/Reducer 在本地模式的最大內存量,以字節爲單位,0爲不限制。
0hive.exec.scratchdir
HDFS路徑,用於存儲不同 map/reduce 階段的執行計劃和這些階段的中間輸出結果。
/tmp/<user.name>/hivehive.metastore.warehouse.dir
Hive 默認的數據文件存儲路徑,通常爲 HDFS 可寫的路徑。
"hive.groupby.skewindata
決定 group by 操作是否支持傾斜的數據。
false
hive.default.fileformat
Hive 默認的輸出文件格式,與創建表時所指定的相同,可選項爲 'TextFile' 、 'SequenceFile' 或者 'RCFile'。
'TextFile'hive.security.authorization.enabled
Hive 是否開啓權限認證。
falsehive.exec.plan
Hive 執行計劃的路徑,會在程序中自動進行設置
nullhive.exec.submitviachild
決定 map/reduce Job 是否應該使用各自獨立的 JVM 進行提交(Child進程),默認情況下,使用與 HQL compiler 相同的 JVM 進行提交。
falsehive.exec.script.maxerrsize
通過 TRANSFROM/MAP/REDUCE 所執行的用戶腳本所允許的最大的序列化錯誤數。
100000hive.exec.script.allow.partial.consumption
是否允許腳本只處理部分數據,如果設置爲 true ,因 broken pipe 等造成的數據未處理完成將視爲正常。
false
hive.exec.compress.output
決定查詢中最後一個 map/reduce job 的輸出是否爲壓縮格式。
false
hive.exec.compress.intermediate
決定查詢的中間 map/reduce job (中間 stage)的輸出是否爲壓縮格式。
false
hive.intermediate.compression.codec
中間 map/reduce job 的壓縮編解碼器的類名(一個壓縮編解碼器可能包含多種壓縮類型),該值可能在程序中被自動設置。
hive.intermediate.compression.type
中間 map/reduce job 的壓縮類型,如 "BLOCK" "RECORD"。hive.exec.pre.hooks
語句層面,整條 HQL 語句在執行前的 hook 類名。
"hive.exec.post.hooks
語句層面,整條 HQL 語句在執行完成後的 hook 類名。
hive.exec.parallel.thread.number
併發提交時的併發線程的個數。
8hive.mapred.reduce.tasks.speculative.execution
是否開啓 reducer 的推測執行,與 mapred.reduce.tasks.speculative.execution 作用相同。
falsehive.exec.counters.pull.interval
客戶端拉取 progress counters 的時間,以毫秒爲單位。
1000Lhadoop.bin.path
Hadoop Client 可執行腳本的路徑,該路徑用於通過單獨的 JVM 提交 job,使用 Hadoop Client 的配置。
$HADOOP_HOME/bin/hadoop
hadoop.config.dir
Hadoop Client 配置文件的路徑,使用 Hadoop Client 的配置。
$HADOOP_HOME/conffs.default.name
Namenode 的 URL,使用 Hadoop Client 的配置。
file:///map.input.file
Map 的輸入文件,使用 Hadoop Client 的配置。
nullmapred.input.dir
Map 的輸入目錄,使用 Hadoop Client 的配置。null
mapred.input.dir.recursive輸入目錄是否可遞歸嵌套,使用 Hadoop Client 的配置。
falsemapred.job.tracker
Job Tracker 的 URL,使用 Hadoop Client 的配置,如果這個配置設置爲 'local',將使用本地模式。
local
mapred.job.nameMap/Reduce 的 job 名稱,如果沒有設置,則使用生成的 job name,使用 Hadoop Client 的配置。
null
mapred.reduce.tasks.speculative.executionMap/Reduce 推測執行,使用 Hadoop Client 的配置。
null
hive.metastore.metadb.dirHive 元數據庫所在路徑。
"
hive.metastore.urisHive 元數據的 URI,多個 thrift://地址,以英文逗號分隔。
"
hive.metastore.connect.retries連接到 Thrift 元數據服務的最大重試次數。
3
javax.jdo.option.ConnectionPasswordJDO 的連接密碼。
"
hive.metastore.ds.connection.url.hookJDO 連接 URL Hook 的類名,該 Hook 用於獲得 JDO 元數據庫的連接字符串,爲實現了 JDOConnectionURLHook 接口的類。
"
javax.jdo.option.ConnectionURL元數據庫的連接 URL。
"
hive.metastore.ds.retry.attempts當沒有 JDO 數據連接錯誤後,嘗試連接後臺數據存儲的最大次數。
1
hive.metastore.ds.retry.interval每次嘗試連接後臺數據存儲的時間間隔,以毫秒爲單位。
1000
hive.metastore.force.reload.conf是否強制重新加載元數據配置,一但重新加載,該值就會被重置爲 false。
false
hive.metastore.server.min.threadsThrift 服務線程池的最小線程數。
8
hive.metastore.server.max.threadsThrift 服務線程池的最大線程數。
0x7fffffff
hive.metastore.server.tcp.keepaliveThrift 服務是否保持 TCP 連接。
true
hive.metastore.archive.intermediate.original用於歸檔壓縮的原始中間目錄的後綴,這些目錄是什麼並不重要,只要能夠避免衝突即可。
'_INTERMEDIATE_ORIGINAL'
hive.metastore.archive.intermediate.archived用於歸檔壓縮的壓縮後的中間目錄的後綴,這些目錄是什麼並不重要,只要能夠避免衝突即可。
'_INTERMEDIATE_ARCHIVED'
hive.metastore.archive.intermediate.extracted用於歸檔壓縮的解壓後的中間目錄的後綴,這些目錄是什麼並不重要,只要能夠避免衝突即可。
'_INTERMEDIATE_EXTRACTED'
hive.cli.errors.ignore是否忽略錯誤,對於包含多的 SQL 文件,可以忽略錯誤的行,繼續執行下一行。
false
hive.session.id當前會話的標識符,格式爲“用戶名_時間”用於記錄在 job conf 中,一般不予以手動設置。
"
hive.session.silent當前會話是否在 silent 模式運行。 如果不是 silent 模式,所以 info 級打在日誌中的消息,都將以標準錯誤流的形式輸出到控制檯。
false
hive.query.string當前正在被執行的查詢字符串。
"
hive.query.id
當前正在被執行的查詢的ID。
"
hive.query.planid
當前正在被執行的 map/reduce plan 的 ID。
"
hive.jobname.length當前 job name 的最大長度,hive 會根據此長度省略 job name 的中間部分。
50
hive.jar.path通過單獨的 JVM 提交 job 時,hive_cli.jar 所在的路徑
"
hive.aux.jars.path各種由用戶自定義 UDF 和 SerDe 構成的插件 jar 包所在的路徑。
"
hive.added.files.path
ADD FILE 所增加的文件的路徑。
"hive.added.jars.path
ADD JAR 所增加的文件的路徑。
"hive.added.archives.path
ADD ARCHIEVE 所增加的文件的路徑。
"hive.table.name
當前的 Hive 表的名稱,該配置將通過 ScirptOperator 傳入到用戶腳本中。
"
hive.partition.name
當前的 Hive 分區的名稱,該配置將通過 ScriptOperator 傳入到用戶腳本中。
"
hive.script.auto.progress
腳本是否週期性地向 Job Tracker 發送心跳,以避免腳本執行的時間過長,使 Job Tracker 認爲腳本已經掛掉了。
false
hive.script.operator.id.env.var用於識別 ScriptOperator ID 的環境變量的名稱。
'HIVE_SCRIPT_OPERATOR_ID'
hive.alias當前的 Hive 別名,該配置將通過 ScriptOpertaor 傳入到用戶腳本中。
"
hive.map.aggr決定是否可以在 Map 端進行聚合操作
true
hive.join.emit.intervalHive Join 操作的發射時間間隔,以毫秒爲單位。
1000
hive.join.cache.sizeHive Join 操作的緩存大小,以字節爲單位。
25000
hive.mapjoin.bucket.cache.sizeHive Map Join 桶的緩存大小,以字節爲單位。
100
hive.mapjoin.size.keyHive Map Join 每一行鍵的大小,以字節爲單位。
10000
hive.mapjoin.cache.numrowsHive Map Join 所緩存的行數。
25000
hive.groupby.mapaggr.checkinterval對於 Group By 操作的 Map 聚合的檢測時間,以毫秒爲單位。
100000
hive.map.aggr.hash.percentmemoryHive Map 端聚合的哈稀存儲所佔用虛擬機的內存比例。
0.5
hive.map.aggr.hash.min.reductionHive Map 端聚合的哈稀存儲的最小 reduce 比例。
0.5
hive.udtf.auto.progressHive UDTF 是否週期性地報告心跳,當 UDTF 執行時間較長且不輸出行時有用。
false
hive.fileformat.checkHive 是否檢查輸出的文件格式。
true
hive.querylog.locationHive 實時查詢日誌所在的目錄,如果該值爲空,將不創建實時的查詢日誌。
'/tmp/$USER'
hive.script.serdeHive 用戶腳本的 SerDe。
'org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe'
hive.script.recordreaderHive 用戶腳本的 RecordRedaer。
'org.apache.hadoop.hive.ql.exec.TextRecordReader'
hive.script.recordwriterHive 用戶腳本的 RecordWriter。
'org.apache.hadoop.hive.ql.exec.TextRecordWriter'
hive.hwi.listen.hostHWI 所綁定的 HOST 或者 IP。
'0.0.0.0'
hive.hwi.listen.portHWI 所監聽的 HTTP 端口。
9999
hive.hwi.war.fileHWI 的 war 文件所在的路徑。
$HWI_WAR_FILE
hive.test.mode是否以測試模式運行 Hive
false
hive.test.mode.prefixHive 測試模式的前綴。
'test_'
hive.test.mode.samplefreqHive 測試模式取樣的頻率,即每秒鐘取樣的次數。
32
hive.test.mode.nosamplelistHive 測試模式取樣的排除列表,以逗號分隔。
"
hive.merge.size.per.task每個任務合併後文件的大小,根據此大小確定 reducer 的個數,默認 256 M。
256000000
hive.merge.smallfiles.avgsize需要合併的小文件羣的平均大小,默認 16 M。
16000000
hive.optimize.skewjoin是否優化數據傾斜的 Join,對於傾斜的 Join 會開啓新的 Map/Reduce Job 處理。
false
hive.skewjoin.key傾斜鍵數目閾值,超過此值則判定爲一個傾斜的 Join 查詢。
1000000
hive.skewjoin.mapjoin.map.tasks處理數據傾斜的 Map Join 的 Map 數上限。
10000
hive.skewjoin.mapjoin.min.split處理數據傾斜的 Map Join 的最小數據切分大小,以字節爲單位,默認爲32M。
33554432
mapred.min.split.sizeMap Reduce Job 的最小輸入切分大小,與 Hadoop Client 使用相同的配置。
1
hive.mergejob.maponly是否啓用 Map Only 的合併 Job。
true
hive.heartbeat.intervalHive Job 的心跳間隔,以毫秒爲單位。
1000
hive.mapjoin.maxsizeMap Join 所處理的最大的行數。超過此行數,Map Join進程會異常退出。
1000000
hive.hashtable.initialCapacityHive 的 Map Join 會將小表 dump 到一個內存的 HashTable 中,該 HashTable 的初始大小由此參數指定。
100000
hive.hashtable.loadfactorHive 的 Map Join 會將小表 dump 到一個內存的 HashTable 中,該 HashTable 的負載因子由此參數指定。
0.75
hive.mapjoin.followby.gby.localtask.max.memory.usageMapJoinOperator後面跟隨GroupByOperator時,內存的最大使用比例
0.55
hive.mapjoin.localtask.max.memory.usageMap Join 的本地任務使用堆內存的最大比例
0.9
hive.mapjoin.check.memory.rows設置每多少行檢測一次內存的大小,如果超過 hive.mapjoin.localtask.max.memory.usage 則會異常退出,Map Join 失敗。
100000
hive.debug.localtask是否調試本地任務,目前該參數沒有生效
false
hive.task.progress是否開啓 counters ,以記錄 Job 執行的進度,同時客戶端也會拉取進度 counters。
falsehive.input.format
Hive 的輸入 InputFormat。
默認是org.apache.hadoop.hive.ql.io.HiveInputFormat,其他還有org.apache.hadoop.hive.ql.io.CombineHiveInputFormat
hive.enforce.bucketing是否啓用強制 bucketing。
falsehive.enforce.sorting
是否啓用強制排序。
false
hive.mapred.partitionerHive 的 Partitioner 類。
'org.apache.hadoop.hive.ql.io.DefaultHivePartitioner'
hive.exec.script.trustHive Script Operator For trust
falsehive.hadoop.supports.splittable.combineinputformat
是否支持可切分的 CombieInputFormat
falsehive.optimize.cp
是否優化列剪枝。
truehive.optimize.ppd
是否優化謂詞下推。
truehive.optimize.groupby
是否優化 group by。
truehive.optimize.bucketmapjoin
是否優化 bucket map join。
falsehive.optimize.bucketmapjoin.sortedmerge
是否在優化 bucket map join 時嘗試使用強制 sorted merge bucket map join。
falsehive.optimize.reducededuplication
是否優化 reduce 冗餘。
truehive.hbase.wal.enabled
是否開啓 HBase Storage Handler。
truehive.archive.enabled
是否啓用 har 文件。
falsehive.archive.har.parentdir.settable
是否啓用 har 文件的父目錄可設置。
falsehive.outerjoin.supports.filters
是否啓動外聯接支持過濾條件。
truehive.fetch.output.serde
對於 Fetch Task 的 SerDe 類
'org.apache.hadoop.hive.serde2.DelimitedJSONSerDe'hive.semantic.analyzer.hook
Hive 語義分析的 Hook,在語義分析階段的前後被調用,用於分析和修改AST及生成的執行計劃,以逗號分隔。
nullhive.cli.print.header
是否顯示查詢結果的列名,默認爲不顯示。
falsehive.cli.encoding
Hive 默認的命令行字符編碼。
'UTF8'hive.log.plan.progress
是否記錄執行計劃的進度。
truehive.exec.script.wrapper
Script Operator 腳本調用的封裝,通常爲腳本解釋程序。例如,可以把該變量值的名稱設置爲"python",那麼傳遞到 Script Operator 的腳本將會以"python <script command>"的命令形式進行調用,如果這個值爲null或者沒有設置,那麼該腳本將會直接以"<script command>"的命令形式調用。
null
參考資料《Hive編程指南》 及 各種網絡蒐集資料