面试必备技能-HiveSQL优化

Hive SQL基本上适用大数据领域离线数据处理的大部分场景。Hive SQL的优化也是我们必须掌握的技能，而且，面试一定会问。那么，我希望面试者能答出其中的80%优化点，在这个问题上才算过关。

• Hive优化目标

• 在有限的资源下，执行效率更高

• 常见问题

• 数据倾斜

• map数设置

• reduce数设置

• 其他

• Hive执行

• HQL --> Job --> Map/Reduce

• 执行计划

• explain [extended] hql

• 样例

• select col,count(1) from test2 group by col;

• explain select col,count(1) from test2 group by col;

• Hive表优化

• 分区

• set hive.exec.dynamic.partition=true;

• set hive.exec.dynamic.partition.mode=nonstrict;

• 静态分区

• 动态分区

• 分桶

• set hive.enforce.bucketing=true;

• set hive.enforce.sorting=true;

• 数据

• 相同数据尽量聚集在一起

• Hive Job优化

• 并行化执行

• 每个查询被hive转化成多个阶段，有些阶段关联性不大，则可以并行化执行，减少执行时间

• set hive.exec.parallel= true;

• set hive.exec.parallel.thread.numbe=8;

• 本地化执行

• job的输入数据大小必须小于参数:hive.exec.mode.local.auto.inputbytes.max(默认128MB)

• job的map数必须小于参数:hive.exec.mode.local.auto.tasks.max(默认4)

• job的reduce数必须为0或者1

• set hive.exec.mode.local.auto=true;

• 当一个job满足如下条件才能真正使用本地模式:

• job合并输入小文件

• set hive.input.format = org.apache.hadoop.hive.ql.io.CombineHiveInputFormat

• 合并文件数由mapred.max.split.size限制的大小决定

• job合并输出小文件

• set hive.merge.smallfiles.avgsize=256000000;当输出文件平均小于该值，启动新job合并文件

• set hive.merge.size.per.task=64000000;合并之后的文件大小

• JVM重利用

• set mapred.job.reuse.jvm.num.tasks=20;

• JVM重利用可以使得JOB长时间保留slot,直到作业结束，这在对于有较多任务和较多小文件的任务是非常有意义的，减少执行时间。当然这个值不能设置过大，因为有些作业会有reduce任务，如果reduce任务没有完成，则map任务占用的slot不能释放，其他的作业可能就需要等待。

• 压缩数据

• set hive.exec.compress.output=true;

• set mapred.output.compreession.codec=org.apache.hadoop.io.compress.GzipCodec;

• set mapred.output.compression.type=BLOCK;

• set hive.exec.compress.intermediate=true;

• set hive.intermediate.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;

• set hive.intermediate.compression.type=BLOCK;

• 中间压缩就是处理hive查询的多个job之间的数据，对于中间压缩，最好选择一个节省cpu耗时的压缩方式

• hive查询最终的输出也可以压缩

• Hive Map优化

• set mapred.map.tasks =10; 无效

• (1)默认map个数

• default_num=total_size/block_size;

• (2)期望大小

• goal_num=mapred.map.tasks;

• (3)设置处理的文件大小

• split_size=max(mapred.min.split.size,block_size);

• split_num=total_size/split_size;

• (4)计算的map个数

• compute_map_num=min(split_num,max(default_num,goal_num))

• 经过以上的分析，在设置map个数的时候，可以简答的总结为以下几点：

• 增大mapred.min.split.size的值

• 如果想增加map个数，则设置mapred.map.tasks为一个较大的值

• 如果想减小map个数，则设置mapred.min.split.size为一个较大的值

• 情况1：输入文件size巨大，但不是小文件

• 情况2：输入文件数量巨大，且都是小文件，就是单个文件的size小于blockSize。这种情况通过增大mapred.min.split.size不可行，需要使用combineFileInputFormat将多个input path合并成一个InputSplit送给mapper处理，从而减少mapper的数量。

• map端聚合

• set hive.map.aggr=true;

• 推测执行

• mapred.map.tasks.apeculative.execution

• Hive Shuffle优化

• Map端

• io.sort.mb

• io.sort.spill.percent

• min.num.spill.for.combine

• io.sort.factor

• io.sort.record.percent

• Reduce端

• mapred.reduce.parallel.copies

• mapred.reduce.copy.backoff

• io.sort.factor

• mapred.job.shuffle.input.buffer.percent

• mapred.job.shuffle.input.buffer.percent

• mapred.job.shuffle.input.buffer.percent

• Hive Reduce优化

• 需要reduce操作的查询

• group by,join,distribute by,cluster by...

• order by比较特殊,只需要一个reduce

• sum,count,distinct...

• 聚合函数

• 高级查询

• 推测执行

• mapred.reduce.tasks.speculative.execution

• hive.mapred.reduce.tasks.speculative.execution

• Reduce优化

• numRTasks = min[maxReducers,input.size/perReducer]

• maxReducers=hive.exec.reducers.max

• perReducer = hive.exec.reducers.bytes.per.reducer

• hive.exec.reducers.max 默认 ：999

• hive.exec.reducers.bytes.per.reducer 默认:1G

• set mapred.reduce.tasks=10;直接设置

• 计算公式

• Hive查询操作优化

• join优化

• 关联操作中有一张表非常小

• 不等值的链接操作

• set hive.auto.current.join=true;

• hive.mapjoin.smalltable.filesize默认值是25mb

• select /*+mapjoin(A)*/ f.a,f.b from A t join B f on (f.a=t.a)

• hive.optimize.skewjoin=true;如果是Join过程出现倾斜，应该设置为true

• set hive.skewjoin.key=100000; 这个是join的键对应的记录条数超过这个值则会进行优化

• mapjoin

• 简单总结下,mapjoin的使用场景:

• Bucket join

• 两个表以相同方式划分桶

• 两个表的桶个数是倍数关系

• crete table order(cid int,price float) clustered by(cid) into 32 buckets;

• crete table customer(id int,first string) clustered by(id) into 32 buckets;

• select price from order t join customer s on t.cid=s.id

• join 优化前

• select m.cid,u.id from order m join customer u on m.cid=u.id where m.dt='2013-12-12';

• join优化后

• select m.cid,u.id from (select cid from order where dt='2013-12-12')m join customer u on m.cid=u.id;

• group by 优化

• hive.groupby.skewindata=true;如果是group by 过程出现倾斜 应该设置为true

• set hive.groupby.mapaggr.checkinterval=100000;--这个是group的键对应的记录条数超过这个值则会进行优化

• count distinct 优化

• 优化前

• select count(distinct id) from tablename

• 优化后

• select count(1) from (select distinct id from tablename) tmp;

• select count(1) from (select id from tablename group by id) tmp;

• 优化前

• select a,sum(b),count(distinct c),count(distinct d) from test group by a

• 优化后

• select a,sum(b) as b,count(c) as c,count(d) as d from(select a,0 as b,c,null as d from test group by a,c union all select a,0 as b,null as c,d from test group by a,d union all select a,b,null as c,null as d from test)tmp1 group by a;