标签：join reduce hive Hive 重要 模式 优化 id
Hiv优化
1.hive的随机抓取策略
理论上来说，Hive中的所有sql都需要进行mapreduce，但是hive的抓取策略帮我们 省略掉了这个过程，把切片split的过程提前帮我们做了。 set hive.fetch.task.conversion=none; (一旦进行这么设置，select字段名也是需要进行mapreduce的过程，默认是more)
Fetch抓取的模式
可以通过 set hive.fetch.task.conversion查看，有以下3种模式：
none：所有涉及hdfs的读取查询都走mapreduce任务；
mininal：在进行简单的select *，简单的过滤或涉及分区字段的过滤时走mr；
more:在mininal模式的基础上，增加了针对查询语句字段进行一些别名的计算操作。
以下HQL，mininal模式与more模式下都不会走mr任务:
SELECT
sale_ord_id,
store_id
FROM
test_table
where
dt = '2021-01-01'
limit 10;
以下HQL,mininal模式会走mr任务，more模式不会：
SELECT
sale_ord_id,
store_id,
if(store_id > 20,1,0) as store_id_new
FROM
test_table
where
dt = '2021-01-01'
limit 10;
查看怎么将一个sql转化成一个MR任务的 explain sql语句 例如： explain select count(*) from stu_dy1_1; 更加详细的查看，例如： explain extended select count(*) from stu_dy1_1; 当你输入一个sql语句的时候，hive会将对其关键字进行截串，截完串之后，变成 都是一些TOK开头的一些东西，然后经过这样的抽象语法树，再转成具体的查询块， 最后变成逻辑查询计划
2.本地运行模式
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。 本地模式运行比集群模式块很多，33秒的任务降到2秒 更改为本地模式： hive> set hive.exec.mode.local.auto=true 注意： hive> set hive.exec.mode.local.auto.inputbytes.max=134217728 ---> 128M （默认值就是128） 表示加载文件的最大值，若大于该配置仍然会以集群的方式去运行。 97万行数据，50MB 当我们开发或者测试阶段，可以去使用本地模式进行运行，默认是集群模式 但是，这里有个问题，当我们去更改为本地模式的时候，在8088的页面上就看不到 任务的执行情况了。 测试：select count(*) from emp group by deptno;
3.并行计算
通过设置以下参数开启并行模式（默认是false） set hive.exec.parallel=true; 注意：hive.exec.parallel.thread.number (一次SQl计算中允许并行执行的job个数最大值，默认是8个) 举例： select t1.n1,t2.n2 from (select count(ename) as n1 from emp) t1,(select count(dname) as n2 from dept) t2; 注意，有时候开启并行计算运行时间并没有不开启的快，那是因为，资源的问题。 需要两套资源，资源申请会浪费点时间，最多可以并行8个，默认是8个。 所以，并行的越多，不一定是越快，因为它涉及到一个资源申请的策略。
4 严格模式(理解为增加一些限制)
1.什么是Hive的严格模式
hive中的一种模式,在该模式下禁止一些不好SQL的执行。
2.Hive的严格模式不允许哪些SQL执行
2.1 禁止分区表全表扫描
分区表往往数据量大,如果不加分区查询会带来巨大的资源消耗 。例如以下分区表
SELECT DISTINCT(planner_id) FROM fracture_ins WHERE planner_id=5;
报错如下:
FAILED: Error in semantic analysis: No Partition Predicate Found for Alias “fracture_ins” Table "fracture_ins
解决如下:
SELECT DISTINCT(planner_id) FROM fracture_ins WHERE planner_id=5 AND hit_date=20120101;
2.2 禁止排序不加limit
排序最终是要都进到一个Reduce中操作,防止reducer额外执行很长一段时间
SELECT * FROM fracture_ins WHERE hit_date>2012 ORDER BY planner_id;
出现如下错误
FAILED: Error in semantic analysis: line 1:56 In strict mode,limit must be specified if ORDER BY is present planner_id
解决方案就是增加一个limit关键字：
hive> SELECT * FROM fracture_ins WHERE hit_date>2012 ORDER BY planner_id LIMIT 100000;
2.3 禁止笛卡尔积
笛卡尔积是什么: A={a,b}, B={0,1,2}，则 A×B={(a, 0), (a, 1), (a, 2), (b, 0), (b, 1), (b, 2)}
SELECT * FROM fracture_act JOIN fracture_ads;
解决方法
SELECT * FROM fracture_act JOIN fracture_ads WHERE fracture_act.planner_id = fracture_ads.planner_id;
3.Hive的严格模式怎样开启
// 查看当前严格模式的状态 set hive.mapred.mode; // 设置为严格模式 set hive.mapred.mode=strict; // 设置为非严格模式 set hive.mapred.mode=nonstrict;
注意，这里的严格模式和动态分区的那个严格模式半毛钱关系没有） 通过设置以下参数开启严格模式： set hive.mapred.mode=strict; (默认为：nonstrict非严格模式) 查询限制： 1、对于分区表，必须添加where对于分区字段的条件过滤 2、order by 语句必须包含limit输出限制 3、限制执行笛卡尔积的查询 这些限制是帮助我们提高查询效率的。
5 Hive排序(掌握distribute by和sort by)
order by 对于查询结果做全排序，只允许有一个reduce处理 （注意：它会把我们所有的字段或者查询结果全部放在一个reduce里进行处理 当数据量较大时候，有可能reduce执行不完，所以，我们以后把这个给弃用掉） ** sort by 对于单个reduce进行排序 但是我们将每个reduce里面进行排序，没有考虑到 每个reduce之间的排序。所以我们引出下一个 ** distribute by 分区排序，通常结合sort by一起使用 （distribute by column sort by column asc|desc） cluster by 相当于distribute by + sort by (注意，虽然是两个结合，但是我们也不去用它 原因很简单，cluster by不能通过asc desc的方式指定排序方式规则)
6 Hive join数据倾斜(相当重要，记住这块，面试到hive数据倾斜稳过)
1、小表join小表 不管他
2、小表join大表 map-join
3、大表join大表 map-side
考虑会不会发生reduce,并且考虑reduce压力是否大（是否会出现某个reduce数据量庞大的情况）
join计算的时候，将小表（驱动表）放在join的左边 Map join：在Map端完成join 两种实现方式： 1、sql方式，在sql语句中添加Mapjoin标记（mapjoin hint） >>语法： select /*+MAPJOIN(smallTable)*/ smallTable.key bigTable.value from smallTable join bigTable on smallTable.key=bigTable.key; 2、自动开启mapjoin 通过修改以下配置启用自动的mapjoin： set hive.auto.convert.join=true; (注意：该参数为true的时候，Hive自动对左边的表统计量，如果 是小表，就加入到内存，即对小表使用Mapjoin) 相关配置参数 hive.mapjoin.smalltable.filesize;(默认25M,大表小表判断的阈值，如果表的大小小于该值则会被加载到内存中运行。) hive.ignore,mapjoin.hint;(默认值：true;是否忽略mapjoin hint的标记) hive.auto.convert.join.noconditionaltask;(默认值：true；将普通的join转换为mapjoin时，是否将多个mapjoin转化为一个mapjoin) hive.auto.convert.join.noconditionaltask.size;(将多个mapjoin转化为一个mapjoin时，这个表的最大值) 3、尽可能使用相同的连接键，如果不同，多一个join就会多开启一个mapreduce，执行速度变得慢。 4、大表join大表（当两个都是大表的时候，只能发生reduce了，但是这里有两个优化策略）（面试的时候说，加分） a: 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。 但是这个的前提条件是异常数据，但是我们一般拿到的数据都是经过ETL数据清洗过后的，一般影响不大，面试的时候可以说。 b: 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, 此时我们可以表a中key为空的字段赋随机的值,使得数据随机均匀地分不到不同的 reducer上。(加盐) 但是我们一般拿到的数据都是经过ETL数据清洗过后的，规则数据，一般影响不大，面试的时候可以说。 5、Map-Side聚合 通过设置以下参数开启在Map端的聚合 set hive.map.aggr=true;（一定要进行开启，虽然进行了两个mapreduce，但是当数据倾斜发生的时候，很多时候会根本跑不出结果，卡死在99%或者100%，慢总比出不来结果要好）！！！！！！！ 相关配置参数 hive. groupby mapaggr. checkinterval; map端 igroup by执行聚合时处理的多少行数据(默认:10000 hive.map.aggr.hash.min.reduction;比例(若聚合之后的数据100大该0.5,map端聚合使用的内存的最大值 hive.mapaggr.hashforce.flush.memory.threshold;map端做聚合操作是has表的最大可用内容,大于该值则会触发fush hive.groupby.skewindata-是否对 GroupBy产生的数据倾斜做优化,默认为false(十分重要！！！) 6、数据倾斜，尽可能地让我们的数据散列到不同的reduce里面去,负载均衡
7 合并小文件
Hive优化 合并小文件 文件数目小,容易在文件存储端造成压力,给hdfs造成压力,影响效率 设置合并属性 是否合并map输出文件: hive.merge.mapfiles=true 是否合并reduce输出文件: hive.merge.mapredfiles=true 合并文件的大小: hive.merge.size.per.task=256*1000*1000 去重统计 数据量小的时候无所谓,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
8 控制map和reduce的数量(一般情况下我们不去动它)
控制Hive中Map以及 Reduce的数量 Map数量相关的参数 mapred.max.split.size;一个split的最大值,即每个map处理文件的最大值 mapred.min.split.size.per.node个节点上split的最小值 mapred.min.split.size.per.rack一个机架上spit的最小值 Reduce数量相关的参数 mapred.reduce.tasks;强制指定reduce任务的数量 hive.exec.reducers.bytes.per.reducer每个reduce任务处理的数据量 hive.exec.reducers.max每个任务最大的reduce数
9 JVM重用
当我们的小文件个数过多，task个数过多，需要申请的资源过多的时候，我们可以先申请一部分资源，全部执行完毕后再释放， 比我们申请一个释放一个要快。 通过 set mapred.job.reuse.jvm.num.tasks=n;来设置 （n为task插槽个数） 缺点： 设置开启后，task插槽会一直占用资源，无论是否有task进行，直到所有的task, 即整个job全部执行完毕后，才会释放所有的task插槽，所以我们要合理地设置这个n (比如，我们设置申请了10个，但是现在来了6个，剩下4个插槽会在job全部执行完毕之前一直占用资源)
mapreduce叫懒加载，当执行任务需要资源的时候再去申请资源
标签：join,reduce,hive,Hive,重要,模式,优化,id 来源： https://www.cnblogs.com/wqy1027/p/16670663.html
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。