前言
在Hive優化方面,要做到性能最優,那就是得定製優化,針對不同的sql腳本設置不同的參數,配置不同的map和reduce數。保證局部性能最優,結果纔會是效率最高。
那麼在定製優化方面使用session級別的配置就是對症下藥。所有的設置的參數只在一次Hive的cli命令起作用,關閉窗口或者退出命令行後整個配置參數全部失效,不會對其他腳本的運行環境造成影響。
配置清單:
- 1 創建session級別臨時表,會話關閉臨時表自動銷燬
- 2 設置程序運行的隊列環境
- 3 設置sql語句查詢結果是否顯示列名
- 4 開啓動態分區的設置
- 5 動態設置分區達到默認數量上限
- 6 設置reduce數量
- 7 設置map數量
- 8 使用with cube 、grouping set的優化配置
- 9 是否自動轉爲mapjoin
- 10 在group by 階段出現數據傾斜
- 11 hadoop作業JVM堆大小設置
- 12 控制是否啓用查詢執行的向量模式
詳細講解:
1 創建session級別臨時表,會話關閉臨時表自動銷燬
CREATE TEMPORARY TABLE tmp
(
a string
,b string
,c string
) ;
2 設置程序運行的隊列環境
set mapred.job.queue.name=ne;
3 設置sql語句查詢結果是否顯示列名
set hive.cli.print.header=true;
select * from tmp2_jc_test limit 10;
4 開啓動態分區的設置
set hive.exec.dynamic.partition.mode=nonstrict;
INSERT overwrite table tmp partition(etl_date)
select
a,b,c,table_column4_date from tmp2
以上的tmp表會按照 table_column4_date 字段進行動態創建分區
5 動態設置分區是有默認數量上限的,如果數量超出了默認設置就需要配置下面的參數
SET hive.exec.dynamic.partition=true;
SET hive.exec.max.dynamic.partitions=2048; --自動創建分區的數量設置
SET hive.exec.max.dynamic.partitions.pernode=2048; --一個node上允許創建的分區數量設置
6 設置reduce數量
set mapred.reduce.tasks= 20;
7 設置map數量
set mapred.max.split.size=5000000;
set mapred.min.split.size.per.node=5000000;
set mapred.min.split.size.per.rack=5000000;
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
map數量是不能直接設定一個固定值。而是通過hadoop內置的算法計算出來的數值。
主要的決定因素有: input的文件總個數,input的文件大小,集羣設置的文件塊大小(目前爲128M, 可在hive中通過set dfs.block.size;命令查看到,該參數不能自定義修改);
map任務要劃分的大小(splitSize )=(maxSize與blockSize之間的最小值)與minSize之間的最大值
bytesRemaining 是單個輸入源文件未劃分的字節數
根據getSplits方法,map任務劃分的數量=輸入源文件數目 * (bytesRemaining / splitSize個劃分任務+bytesRemaining不能被splitSize 整除的剩餘大小單獨劃分一個任務 )
個人理解: 可以根據輸入的文件大小、文件個數以及集羣中block大小就大致可以推算出大概的map數,但是,map和reduce數不是越多越好,也不是越少越好。map和reduce數根據集羣的節點數而定。儘量讓計算任務平均分攤到每個節點上,才能達到最高的計算效率
hive 源碼如下:FileInputFormat.java
public List<InputSplit> getSplits(JobContext job) throws IOException {
StopWatch sw = new StopWatch().start();
long minSize = Math.max(getFormatMinSplitSize(), getMinSplitSize(job));
long maxSize = getMaxSplitSize(job);
List<InputSplit> splits = new ArrayList<InputSplit>();
List<FileStatus> files = listStatus(job);
for (FileStatus file: files) {
Path path = file.getPath();
long length = file.getLen();
if (length != 0) {
BlockLocation[] blkLocations;
if (file instanceof LocatedFileStatus) {
blkLocations = ((LocatedFileStatus) file).getBlockLocations();
} else {
FileSystem fs = path.getFileSystem(job.getConfiguration());
blkLocations = fs.getFileBlockLocations(file, 0, length);
}
if (isSplitable(job, path)) {
long blockSize = file.getBlockSize();
long splitSize = computeSplitSize(blockSize, minSize, maxSize);
long bytesRemaining = length;
while (((double) bytesRemaining)/splitSize > SPLIT_SLOP) {
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
splits.add(makeSplit(path, length-bytesRemaining, splitSize,
blkLocations[blkIndex].getHosts(),
blkLocations[blkIndex].getCachedHosts()));
bytesRemaining -= splitSize;
}
if (bytesRemaining != 0) {
int blkIndex = getBlockIndex(blkLocations, length-bytesRemaining);
splits.add(makeSplit(path, length-bytesRemaining, bytesRemaining,
blkLocations[blkIndex].getHosts(),
blkLocations[blkIndex].getCachedHosts()));
}
} else { // not splitable
splits.add(makeSplit(path, 0, length, blkLocations[0].getHosts(),
blkLocations[0].getCachedHosts()));
}
} else {
//Create empty hosts array for zero length files
splits.add(makeSplit(path, 0, length, new String[0]));
}
}
// Save the number of input files for metrics/loadgen
job.getConfiguration().setLong(NUM_INPUT_FILES, files.size());
sw.stop();
if (LOG.isDebugEnabled()) {
LOG.debug("Total # of splits generated by getSplits: " + splits.size()
+ ", TimeTaken: " + sw.now(TimeUnit.MILLISECONDS));
}
return splits;
}
protected long computeSplitSize(long blockSize, long minSize,
long maxSize) {
return Math.max(minSize, Math.min(maxSize, blockSize));
}
8 hive.new.job.grouping.set.cardinality 默認值是30,也就是在GROUPING SETS裏面集合數據超過這個值的時候,會增加一個job來降低mapreduce的處理。使用with cube 、grouping set的優化配置
set hive.new.job.grouping.set.cardinality = 4100;
9 是否自動轉爲mapjoin
--是否自動轉換爲mapjoin
set hive.auto.convert.join = true;
--小表的最大文件大小,默認爲25000000,即25M
set hive.mapjoin.smalltable.filesize = 25000000;
--是否將多個mapjoin合併爲一個
set hive.auto.convert.join.noconditionaltask = true;
--多個mapjoin轉換爲1個時,所有小表的文件大小總和的最大值。
set hive.auto.convert.join.noconditionaltask.size = 10000000;
10 在group by 階段出現數據傾斜應該設置爲true, 若group的鍵對應的記錄條數超過100000就會進行此優化
set hive.groupby.skewindata=true;
set hive.groupby.mapaggr.checkinterval=100000
默認該參數的值爲false,表示不啓用,要啓用時,可以set hive.groupby.skewindata=ture;進行啓用。
當啓用時,能夠解決數據傾斜的問題,但如果要在查詢語句中對多個字段進行去重統計時會報錯
hive> set hive.groupby.skewindata=true;
hive> select count(distinct id),count(distinct x) from test;
FAILED: SemanticException [Error 10022]: DISTINCT on different columns not supported with skew in data
11 hadoop作業JVM堆大小設置
map端的大小設置:
set mapreduce.map.java.opts=-Xmx4096m;--默認值:-Xmx200。 map/reduce執行參數設置,可以參數Hadoop Mapreduce Error: GC overhead limit exceeded
set mapreduce.map.memory.mb=4096; -- map內存申請大小,單位m,默認值 1024
reduce端的大小設置:
set mapreduce.reduce.memory.mb=10000;
set mapreduce.reduce.java.opts=-Xmx10000m;
12 控制是否啓用查詢執行的向量模式
set hive.vectorized.execution.enabled=false;