1、开启FetchTask
一个简单的查询语句,是指一个没有函数、排序等功能的语句,当开启一个Fetch Task功能,就执行一个简单的查询语句不会生成MapRreduce作业,而是直接使用FetchTask,从hdfs文件系统中进行查询输出数据,从而提高效率。
设置的方式:
Hive.fetch.task.conversion默认为minimal
修改配置文件hive-site.xml
hive.fetch.task.conversion
more
SomeselectqueriescanbeconvertedtosingleFETCHtask
minimizinglatency.Currentlythequeryshouldbesingle
sourcednothavinganysubqueryandshouldnothave
anyaggregationsordistincts(whichincurrsRS),
lateralviewsandjoins.
1.minimal:SELECTSTAR,FILTERonpartitioncolumns,LIMITonly
2.more:SELECT,FILTER,LIMITonly(+TABLESAMPLE,virtualcolumns)
或者当前session修改
hive>sethive.fetch.task.conversion=more;
执行SELECTid,moneyFROMmlimit10;不走mr
2、合并中间表
一个日志文件中,每一行记录,会有很多很多字段,四五十个字段很正常。实际分析中,常常使用少数几个字段将原始的表中数据,依据业务需求提取出要分析的字段,数据放入到对应的业务表(子表)中,实际的业务针对业务表进行分析。
在实际中,我们会发现,有些业务处理,会有共同数据集用户表、订单表、商品表,三个表需要进行join的操作,join 会产生一个结果集,会有很多的业务是针对此jion结果集进行分析。
优化:将众多的业务中相同的中间结果集,抽取到一个Hive中的表中去。
3、合理使用分区表
外部表、分区表,结合使用,采用多级分区。数据采用存储格式(textfile、orcfile、parquet)或者数据压缩(snappy)。
明细数据我们一般采用按天分区,对于特别大的表,可以采用子分区,每个分区其实对应到HDFS上就是一个目录。数据存储方式我们可以采用parquet列式存储,同时具有很好的压缩性能;同时可以减少大量的表扫描和反序列化的时间。在OLAP查询场景下,我们选择需要的列信息进行查询,而不是直接select * 查询所有字段。
4、jvm重用
JVM重用是hadoop调优参数的内容,对hive的性能具有非常大的影响,特别是对于很难避免小文件的场景或者task特别多的场景,这类场景大多数执行时间都很短。hadoop默认配置是使用派生JVM来执行map和reduce任务的,这是jvm的启动过程可能会造成相当大的开销,尤其是执行的job包含有成千上万个task任务的情况。JVM重用可以使得JVM实例在同一个JOB中重新使用N次,N的值可以在Hadoop的mapre-site.xml文件中进行设置
mapred.job.reuse.jvm.num.tasks 1
也可在hive的执行设置:
setmapred.job.reuse.jvm.num.tasks = 10;
JVM的一个缺点是,开启JVM重用将会一直占用使用到的task插槽,以便进行重用,直到任务完成后才能释放。如果某个“不平衡“的job中有几个reduce task 执行的时间要比其他reduce task消耗的时间多得多的话,那么保留的插槽就会一直空闲着却无法被其他的job使用,直到所有的task都结束了才会释放。
5、speculative execution(推测执行)
所谓的推测执行,就是当所有task都开始运行之后,Job Tracker会统计所有任务的平均进度,如果某个task所在的task node机器配置比较低或者CPU load很高(原因很多),导致任务执行比总体任务的平均执行要慢,此时Job Tracker会启动一个新的任务(duplicate task),原有任务和新任务哪个先执行完就把另外一个kill掉。
推测执行需要设置Job的两个参数:
mapred.map.tasks.speculative.execution=true
mapred.reduce.tasks.speculative.execution=true
6、合理设置reduce个数
reduce个数
参数1:
hive.exec.reducers.bytes.per.reducer=256000000//每个reduce任务处理的数据量
参数2:
hive.exec.reducers.max=1009//每个任务最大的reduce数目
计算公式:reducer个数=min(参数2,总输入数据量/参数1)
set mapred.reduce.tasks =N:
每个任务默认的reduce数目。典型为0.99* reduce槽数,hive默认为-1,即自动确定reduce数目。
reduce个数并不是越多越好
同map一样,启动和初始化reduce也会消耗时间和资源;另外,有多少个reduce,就会有多少个输出文件,如果生成了很多个小文件,那么如果这些小文件作为下一个任务的输入,则也会出现小文件过多的问题。小文件过多会非常影响查询效率,文件越多造成的IO就越多,同时还会增加元数据(namenode)的压力。在生产环境中,一定要避免小文件问题,如果核查发现,及时合并文件!!
7、开启并行执行
并行执行,意思是同步执行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.exec.parallel.thread.number8//job并行执行的数目,一个SQL语句可能有很多mapreduce任务,限制
hive.exec.parallelfalse
hive执行开启:
sethive.exec.parallel=true
8、优化sql
- where条件优化
优化前(关系数据库不用考虑会自动优化):
selectm.cid,u.idfromordermjoincustomeruon(m.cid=u.id)wherem.dt='20180808';
优化后(where条件在map端执行而不是在reduce端执行):
selectm.cid,u.idfrom(select*fromorderwheredt='20180818')mjoincustomeruon(m.cid=u.id);
- union优化
尽量不要使用union (union 去掉重复的记录)而是使用 union all 然后在用group by 去重
- count distinct优化
不要使用count (distinct cloumn) ,使用子查询。
selectcount(1)from(selectidfromtablenamegroupbyid)tmp;
- 用in 来代替join
如果需要根据一个表的字段来约束另为一个表,尽量用in来代替join 。
selectid,namefromtb1ajointb2bon(a.id=b.id);
selectid,namefromtb1whereidin(selectidfromtb2);
in 要比join 快
-
消灭子查询内的 group by 、 COUNT(DISTINCT),MAX,MIN。可以减少job的数量。
-
join 优化:
Common/shuffle/Reduce JOIN:连接发生的阶段,发生在reduce 阶段,适用于大表连接大表(默认的方式)
Map join :连接发生在map阶段,适用于小表连接大表大表的数据从文件中读取;小表的数据存放在内存中(hive中已经自动进行了优化,自动判断小表,然后进行缓存)。
sethive.auto.convert.join=true;
SMB join:Sort -Merge -Bucket Join 对大表连接大表的优化,用桶表的概念来进行优化。在一个桶内发送生笛卡尔积连接(需要是两个桶表进行join)
sethive.auto.convert.sortmerge.join=true;
sethive.optimize.bucketmapjoin=true;
sethive.optimize.bucketmapjoin.sortedmerge=true;
sethive.auto.convert.sortmerge.join.noconditionaltask=true;
责任编辑:haq
-
数据
+关注
关注
8文章
7006浏览量
88955 -
hive
+关注
关注
0文章
12浏览量
3848
原文标题:Hive 提高查询效率的八条军规
文章出处:【微信号:DBDevs,微信公众号:数据分析与开发】欢迎添加关注!文章转载请注明出处。
发布评论请先 登录
相关推荐
评论