ICode9
精准搜索请尝试： 精确搜索
首页
编程语言>
数据库
系统相关
互联网
其他分享
Python
Java
JavaScript
android
PHP
首页 > 其他分享> 文章详细

Hive存储格式及优化

2021-10-19 15:34:55  阅读：327  来源： 互联网

标签：存储 join string -- hive orc Hive 格式 id


Hive的数据存储格式

  • 列式存储、行式存储

  • Hive中表的数据存储格式，不是只支持text文本格式，还支持其他很多格式。

  • 建表的时候通过STORED AS 语法指定。如果没有指定默认都是textfile（行存储）。

  • Hive中主流的几种文件格式。

    • textfile 文件格式

    • ORC、Parquet 列式存储格式。

      都是列式存储格式，底层是以二进制形式存储。数据存储效率极高，查询方便。

    • 栗子

      分别使用3种不同格式存储数据，去HDFS上查看底层文件存储空间的差异。

      --1、创建表，存储数据格式为TEXTFILE
create table log_text (
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS TEXTFILE;  --如果不写stored as textfile 默认就是textfile

--加载数据
load data local inpath '/root/hivedata/log.data' into table log_text;

--2、创建表，存储数据格式为ORC
create table log_orc(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS orc ;

--load是纯复制移动操作 不会调整文件格式。
insert into table log_orc select * from log_text;

--3、创建表，存储数据格式为parquet
create table log_parquet(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS PARQUET ;

--向表中插入数据 
insert into table log_parquet select * from log_text ;

  • 在实际开发中，可以根据需求选择不同的文件格式并且搭配不同的压缩算法。可以得到更好的存储效果。

    -- 不压缩
create table log_orc_none(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS orc tblproperties ("orc.compress"="NONE");
-- 写入数据
insert into table log_orc_none select * from log_text ;

-- 压缩数据
create table log_orc_snappy(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS orc tblproperties ("orc.compress"="SNAPPY");
-- 写入
insert into table log_orc_snappy select * from log_text ;


--不指定压缩格式 代表什么呢？
--orc 存储文件默认采用ZLIB 压缩。比 snappy 压缩的小
STORED AS orc;   --2.78M

--以ORC格式存储 不压缩
STORED AS orc tblproperties ("orc.compress"="NONE");  --7.69M

--以ORC格式存储  使用snappy压缩
STORED AS orc tblproperties ("orc.compress"="SNAPPY"); --3.78M

  • 结论建议：在Hive中推荐使用ORC+snappy压缩。

Hive通用调优

  • 能不使用MR就不使用MR 查询数据时尽量不适用mr，直接读文件进行切割数据展示
  • 使用mr计算时，能之直接调用本地资源，就不再取yarn服务中请求资源
  • mr计算速度慢可以切换计算框架 spark
1、Fetch抓取机制

  • 功能：在执行sql的时候，能不走MapReduce程序处理就尽量不走MapReduce程序处理。

  • 尽量直接去操作数据文件。

  • 设置： hive.fetch.task.conversion= more。

    --在下述3种情况下 sql不走mr程序

--全局查找
select * from student;
--字段查找
select num,name from student;
--limit 查找
select num,name from student limit 2;
2、mapreduce本地模式

  • 功能：如果非要执行MapReduce程序，能够本地执行的，尽量不提交yarn上执行。

  • 默认是关闭的。意味着只要走MapReduce就提交yarn执行。

    mapreduce.framework.name = local 本地模式
mapreduce.framework.name = yarn 集群模式

  • Hive提供了一个参数，自动切换MapReduce程序为本地模式，如果不满足条件，就执行yarn模式。

    set hive.exec.mode.local.auto = true;
 
--3个条件必须都满足 自动切换本地模式
The total input size of the job is lower than: hive.exec.mode.local.auto.inputbytes.max (128MB by default)  --数据量小于128M

The total number of map-tasks is less than: hive.exec.mode.local.auto.tasks.max (4 by default)  --maptask个数少于4个

The total number of reduce tasks required is 1 or 0.  --reducetask个数是0 或者 1

  • 切换Hive的执行引擎

    WARNING: Hive-on-MR is deprecated in Hive 2 and may not be available in the future versions. Consider using a different execution engine (i.e. spark, tez) or using Hive 1.X releases.

如果针对Hive的调优依然无法满足你的需求 还是效率低， 尝试使用spark计算引擎 或者Tez.
3、join优化

尽量不进行两个表以上的关联拆卸

from t2 join t1

from t2 join t3

  • 底层还是MapReduce的join优化。

  • MapReduce中有两种join方式。指的是join的行为发生什么阶段。

    • map端join
    • reduce端join

  • 优化1：Hive自动尝试选择map端join提高join的效率 省去shuffle的过程。

    开启 mapjoin 参数设置：
（1）设置自动选择 mapjoin
set hive.auto.convert.join = true;  --默认为 true
（2）大表小表的阈值设置：
set hive.mapjoin.smalltable.filesize= 25000000; 单位是 25m
低于25 在map进行join输出数据

  • 优化2：大表join大表

    --背景：
大表join大表本身数据就十分具体，如果join字段存在null空值 如何处理它？

--方式1：空key的过滤  此行数据不重要
参与join之前 先把空key的数据过滤掉
SELECT a.* FROM (SELECT * FROM nullidtable WHERE id IS NOT NULL ) a JOIN ori b ON a.id =b.id;

--方式2：空Key转换
CASE WHEN a.id IS NULL THEN 'xxx任意字符串' ELSE a.id END     hive001  hive11 hive231  
CASE WHEN a.id IS NULL THEN concat('hive', rand()) ELSE a.id  --避免转换之后数据倾斜 随机分布打散

  • 优化3：桶表join提高优化效率。bucket mapjoin

    1.1 条件
	1） set hive.optimize.bucketmapjoin = true;
	2） 一个表的bucket数是另一个表bucket数的整数倍
	3） bucket列 == join列
	4） 必须是应用在map join的场景中

1.2 注意
	1）如果表不是bucket的，只是做普通join。
4、group by 数据倾斜优化
（1）是否在 Map 端进行聚合，默认为 True
set hive.map.aggr = true;
（2）在 Map 端进行聚合操作的条目数目
set hive.groupby.mapaggr.checkinterval = 100000;
（3）有数据倾斜的时候进行负载均衡（默认是 false）
set hive.groupby.skewindata = true;

--Q:在hive中数据倾斜开启负载均衡之后 底层执行机制是什么样？
男性 女性
--step1:启动一个MapReduce程序 将倾斜的数据随机发送到各个reduce中 进行打散 
        每个reduce进行聚合都是局部聚合
        
--step2:再启动第二个MapReduce程序 将上一步局部聚合的结果汇总起来进行最终的聚合
5、hive中如何调整底层MapReduce中task的个数（并行度）

  • maptask个数

    • 如果是在MapReduce中 maptask是通过逻辑切片机制决定的。

    • 但是在hive中，影响的因素很多。比如逻辑切片机制，文件是否压缩、压缩之后是否支持切割。

    • 因此在Hive中，调整MapTask的个数，直接去HDFS调整文件的大小和个数，效率较高。

      如果小文件多，就进行小文件的合并  合并的大小最好=block size
130m 65m 65m   128m  64m
如果大文件多，就调整blocl size

hdfs-site  dfs.block.size

  • reducetask个数

    • 如果在MapReduce中，通过代码可以直接指定 job.setNumReduceTasks(N)

    • 在Hive中，reducetask个数受以下几个条件控制的

      （1）每个 Reduce 处理的数据量默认是 256MB
hive.exec.reducers.bytes.per.reducer=256000000
（2）每个任务最大的 reduce 数，默认为 1009
hive.exec.reducsers.max=1009
（3）mapreduce.job.reduce=3
该值默认为-1，由 hive 自己根据任务情况进行判断。


--如果用户用户不设置 hive将会根据数据量或者sql需求自己评估reducetask个数。
--用户可以自己通过参数设置reducetask的个数
  set mapreduce.job.reduces = N
--用户设置的不一定生效，如果用户设置的和sql执行逻辑有冲突，比如order by，在sql编译期间，hive又会将reducetask设置为合理的个数。  

Number of reduce tasks determined at compile time: 1
6、其他几个通用调优

  • 执行计划explain

    • 通过执行计划可以看出hive接下来是如何打算执行这条sql的。

    • 语法格式：explain + sql语句

    • 栗子

      explain select * from student;

+----------------------------------------------------+
|                      Explain                       |
+----------------------------------------------------+
| STAGE DEPENDENCIES:                                |
|   Stage-0 is a root stage                          |
|                                                    |
| STAGE PLANS:                                       |
|   Stage: Stage-0                                   |
|     Fetch Operator                                 |
|       limit: -1                                    |
|       Processor Tree:                              |
|         TableScan                                  |
|           alias: student                           |
|           Statistics: Num rows: 1 Data size: 5260 Basic stats: COMPLETE Column stats: NONE |
|           Select Operator                          |
|             expressions: num (type: int), name (type: string), sex (type: string), age (type: int), dept (type: string) |
|             outputColumnNames: _col0, _col1, _col2, _col3, _col4 |
|             Statistics: Num rows: 1 Data size: 5260 Basic stats: COMPLETE Column stats: NONE |
|             ListSink                               |
|                                                    |
+----------------------------------------------------+

  • 并行执行机制

    • 如果hivesql的底层某些stage阶段可以并行执行，就可以提高执行效率。

    • 前提是stage之间没有依赖 并行的弊端是瞬时服务器压力变大。

    • 参数

      set hive.exec.parallel=true; --是否并行执行作业。适用于可以并行运行的 MapReduce 作业，例如在多次插入期间移动文件以插入目标
set hive.exec.parallel.thread.number=16; --最多可以并行执行多少个作业。默认为8。

  • Hive的严格模式

    • 注意。不要和动态分区的严格模式搞混淆。

    • 这里的严格模式指的是开启之后 hive会禁止一些用户都影响不到的错误包括效率低下的操作，不允许运行一些有风险的查询。

    • 设置

      set hive.mapred.mode = strict --默认是非严格模式  nonstrict

    • 解释

      1、如果是分区表，没有where进行分区裁剪 禁止执行
2、order by语句必须+limit限制

  • 推测执行机制

    • MapReduce中task的一个机制。
    • 功能：
      • 一个job底层可能有多个task执行，如果某些拖后腿的task执行慢，可能会导致最终job失败。
      • 所谓的推测执行机制就是通过算法找出拖后腿的task,为其启动备份的task。
      • 两个task同时处理一份数据，谁先处理完，谁的结果作为最终结果。
    • 推测执行机制默认是开启的，但是在企业生产环境中建议关闭。

标签：存储,join,string,--,hive,orc,Hive,格式,id
来源： https://blog.csdn.net/ljh18885466426/article/details/120847241

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

关于我们 | 联系我们 | 留言反馈

专注分享技术，共同学习，共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有