10. Hive-4

存储和压缩

存储

hive 支持 TEXTFILE ,SequenceFile, ORC, Parquet
行式存储:TEXTFILE, SequenceFile
列式存储:ORC, Parquet 都是行列结合存储,将一部分行(stripe或行组)按照列式存储。行式和列式存储的区别

TextFile:默认格式,数据不做压缩,磁盘开销大,数据解析开销大。可结合Gzip、Bzip2使用,但使用Gzip这种方式,hive不会对数据进行切分,从而无法对数据进行并行操作。

ORC:hive独有。性能略好!

Parquet:希望整个hadoop生态圈都可以支持Parquet格式!实用性更广!

常见使用组合:使用ORC+snappy组合,使用Parquet+LZO组合!

压缩

hive基于hadoop,hive支持的压缩格式也是hadoop支持的压缩格式

自定义函数

  1. 自定义类,继承UDF
  2. 提供多个evaluate(),此方法不能返回void,但是可以返回null值
  3. 打包,上传到HIVE_HOME/auxlib下
  4. 在hive中使用 create [temporary] function 函数名 as 全类名
  5. 注意函数在哪个库创建,只能在哪个库下使用,如果要跨库使用,需要加上库名作为前缀!

严格模式

Hive 提供了一个严格模式,可以防止用户执行那些可能意想不到的不好的影响的查询。通过设置属性hive.mapred.mode 值为默认是非严格模式 nonstrict 。开启严格模式需要修改 hive.mapred.mode 值为 strict,开启严格模式可以禁止3种类型的查询。

  1. 对于分区表,除非where语句中含有分区字段过滤条件来限制范围,否则不允许执行。
  2. 对于使用了order by语句的查询,要求必须使用limit语句。
  3. 限制笛卡尔积的查询。对关系型数据库非常了解的用户可能期望在执行 JOIN 查询的时候不使用 ON 语句而是使用 where 语句,这样关系数据库的执行优化器就可以高效地将 WHERE 语句转化成那个 ON 语句。不幸的是,Hive 并不会执行这种优化,因此,如果表足够大,那么这个查询就会出现不可控的情况。

性能调优

Fetch抓取

Fetch 抓取是指,Hive 中对某些情况的查询可以不必使用 MapReduce 计算。例如:SELECT * FROM employees;在这种情况下,Hive 可以简单地读取 employee 对应的存储目录下的文件,然后输出查询结果到控制台。
把 hive.fetch.task.conversion 设置成 none,然后执行查询语句,都会执行 mapreduce 程序。
把 hive.fetch.task.conversion 设置成 more,然后执行查询语句,如下查询方式都不会执行 mapreduce 程序。

hive (default)> set hive.fetch.task.conversion=more;
hive (default)> select * from emp;
hive (default)> select ename from emp;
hive (default)> select ename from emp limit 3;

本地模式

大多数的 Hadoop Job 是需要 Hadoop 提供的完整的可扩展性来处理大数据集的。不过,有时 Hive 的输入数据量是非常小的。在这种情况下,为查询触发执行任务消耗的时间可能会比实际 job 的执行时间要多的多。对于大多数这种情况,Hive 可以通过本地模式在单台机器上处理所有的任务。对于小数据集,执行时间可以明显被缩短。

用户可以通过设置 hive.exec.mode.local.auto 的值为 true,来让 Hive 在适当的时候自动启动这个优化。

//开启本地mr
set hive.exec.mode.local.auto=true;  
//设置local mr的最大输入数据量,当输入数据量小于这个值时采用local mr的方式,默认为134217728,即128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;
//设置local mr的最大输入文件个数,当输入文件个数小于这个值时采用local mr的方式,默认为4
set hive.exec.mode.local.auto.input.files.max=10;

关联查询空KEY过滤

有时 join 超时是因为某些 key 对应的数据太多,而相同 key 对应的数据都会发送到相同的 reducer 上,从而导致内存不够。此时我们应该仔细分析这些异常的 key,很多情况下,这些 key 对应的数据是异常数据,我们需要在SQL 语句中进行过滤。例如存在很多 key 对应的字段为空的数据就会出现上述现象。解决方法是在查询的时候进行过滤

insert overwrite table jointable2 select n.* from (select * from nullidtable where id is not null ) n left join ori o on n.id = o.id;

关联查询空KEY转换

有时虽然某个 key 为空对应的数据很多,但是相应的数据不是异常数据,必须要包含在 join 的结果中,此时我们可以将表中 key 为空的字段赋一个随机的值,使得数据随机均匀地分不到不同的 reducer 上

insert overwrite table jointable2
select n.* from nullidtable n full join ori o on 
case when n.id is null then concat('hive', rand()) else n.id end = o.id;

Group By

默认情况下,Map 阶段同一Key数据分发给一个 reduce,当一个key数据过大时就倾斜了。并不是所有的聚合操作都需要在 Reduce 端完成,很多聚合操作都可以先在 Map 端进行部分聚合,最后在 Reduce 端得出最终结果。

# 是否在Map端进行聚合,默认为True
hive.map.aggr = true
# 在Map端进行聚合操作的条目数目
hive.groupby.mapaggr.checkinterval = 100000
# 有数据倾斜的时候进行负载均衡(默认是false)
hive.groupby.skewindata = true

当选项设定为 true,生成的查询计划会有两个MR Job。第一个 MR Job中,Map 的输出结果会随机分布到 Reduce中,每个 Reduce 做部分聚合操作,并输出结果,这样处理的结果是相同的 Group By Key 有可能被分发到不同的 Reduce 中,从而达到负载均衡的目的;第二个MR Job再根据预处理的数据结果按照 Group By Key 分布到 Reduce 中(这个过程可以保证相同的 Group By Key 被分布到同一个 Reduce 中),最后完成最终的聚合操作。

去重统计

数据量大的情况下,由于 COUNT DISTINCT 操作需要用一个 Reduce Task 来完成,这一个 Reduce 需要处理的数据量太大,就会导致整个 Job 很难完成,一般 COUNT DISTINCT 使用先 GROUP BY 再 COUNT 的方式替换

select count(distinct id) from bigtable;
# 使用下面方式替换上面的方式
select count(id) from (select id from bigtable group by id) a;

先过滤再关联

select o.id from bigtable b join ori o on o.id = b.id where o.id <= 10;
# 使用下面方式替换上面的方式
select b.id from bigtable b join (select id from ori where id <= 10 ) o on b.id = o.id;

动态分区

关系型数据库中,对分区表Insert数据时候,数据库自动会根据分区字段的值,将数据插入到相应的分区中,Hive中也提供了类似的机制,即动态分区(Dynamic Partition),只不过,使用Hive的动态分区,需要进行相应的配置

# 开启动态分区功能(默认true,开启)
hive.exec.dynamic.partition=true

# 设置为非严格模式(动态分区的模式,默认strict,表示必须指定至少一个分区为静态分区,nonstrict模式表示允许所有的分区字段都可以使用动态分区)
hive.exec.dynamic.partition.mode=nonstrict

# 在所有执行MR的节点上,最大一共可以创建多少个动态分区。
hive.exec.max.dynamic.partitions=1000

# 在每个执行MR的节点上,最大可以创建多少个动态分区。
hive.exec.max.dynamic.partitions.pernode=100

# 整个MR Job中,最大可以创建多少个HDFS文件。
hive.exec.max.created.files=100000

# 当有空分区生成时,是否抛出异常。一般不需要设置。
hive.error.on.empty.partition=false

创建分区表

create table ori_partitioned_target(
    id bigint, 
    time bigint, 
    uid string,
    keyword string, 
    url_rank int, 
    click_num int, 
    click_url string) 
    PARTITIONED BY (p_time STRING) row format delimited fields terminated by '\t';

使用 insert 导入数据的时候,就会自动的根据 p_time 的值来进行分区了。

合理设置Map数

是不是map数越多越好?

答案是否定的。如果一个任务有很多小文件(远远小于块大小128m),则每个小文件也会被当做一个块,用一个map 任务来完成,而一个 map 任务启动和初始化的时间远远大于逻辑处理的时间,就会造成很大的资源浪费。而且,同时可执行的 map 数是受限的。这种情况下就应该减少 map 数

是不是保证每个map处理接近128m的文件块,就高枕无忧了?

答案也是不一定。比如有一个127m的文件,正常会用一个map去完成,但这个文件只有一个或者两个小字段,却有几千万的记录,如果map处理的逻辑比较复杂,用一个map任务去做,肯定也比较耗时。这种情况下就应该增加 map 数。