天天看点

hadoop distcp 参数调优_Hive高级调优

Hive调优策略

Hive作为大数据领域常用的数据仓库组件,在设计和开发阶段需要注意效率。

影响Hive效率的不仅仅是数据量过大;数据倾斜、数据冗余、job(小文件多)或I/O过多、MapReduce分配不合理等因素都对Hive的效率有影响。

对Hive的调优既包含对HiveQL语句本身的优化,也包含Hive配置项和MR方面的调整。

从以下几个方面调优:

架构优化

执行引擎

Hive支持多种执行引擎,分别是MR、Tez、Spark、Flink,可以通过hive-site.xml文件中的hive.execution.engine属性配置。

Tez是一个构建于YARN之上的支持复杂的DAG(有向无环图)任务的数据处理框 架。由Hontonworks开源,将MapReduce的过程拆分成若干个子过程,同时可以 把多个mapreduce任务组合成一个较大的DAG任务,减少了MapReduce之间的文件存储,同时合理组合其子过程从而大幅提升MR作业的性能。

hadoop distcp 参数调优_Hive高级调优

Tez.png 优化器

与关系型数据库类似,Hive在真正执行的时候,会先先通过解释器

生成AST抽象语法树,然后再通过编译器生成逻辑执行计划,再通过优化器进行优化,优化后通过执行器生成物理执行计划。而Hive有两种优化器:

Vectorize(矢量化优化器)和Cost-Based Optimization(CBO成本优化器)

  • 矢量化查询优化(向量化优化器)

矢量化查询(要求执行引擎为Tez)执行通过一次批量执行1024行,而不是每行一行来提高扫描、聚合、过滤器和和链接等操作的性能,这个功能明显缩短查询执行时间

备注:

  • 要使用矢量化查询执行,必须用ORC格式存储数据
  • 求执行引擎为Tez
  • 成本优化器

Hive的CBO是基于Apache Calcite的,Hive的CBO通过查询成本(有analyze收集的统计信息)会生成有效率的执行计划,最终会较少执行的时间和资源利用,使用CBO的配置如下:

定期执行表(分析的命令:analyze)的分析,分析后的数据放在元数据库中。

hadoop distcp 参数调优_Hive高级调优

大表小表join.png

低版本情况下,小表在前的确效率高,高版本优化器已经做了优化。是因为小表的数据可能会放到内存里面,大表的数据内存存不下就会导致效率低。

把重复关联键少的表放在join前面做关联可以提高join的效率

分区表

对于一个比较大的表,将其设计成分区表,可以提升查询的性能,对于一个特定分区的查询,只会加载对应分区路径的数据文件,所以执行速度比较快

分区字段的选择,避免层级较深的分区,否则会造成太多的字文件夹,常见的分区字段:

  • 日期或时间。如 year、month、day或者hour,当表中存在时间或者日期字段时
  • 地理问题。如国家、省份、城市等
  • 业务逻辑。如部门、销售区域、客户等等

分桶表

与分区表类似,分桶表的组织方式是将HDFS上的文件分割成多个文件。

分桶可以加快数据采样,也可以提升join的性能,join的字段是分桶字段,因为分桶可以确保某一个key对应的数据在一个特定的桶内(文件),巧妙的选择分桶字段,可以大幅度提升join性能。

通常情况下,分桶字段可以选择经常用过滤操作或者join操作的字段

文件格式

在HiveQL的create table语句中,可以使用 stored as … 指定表的存储格式。Hive表支持的存储格式有TextFile、SequenceFile、RCFile、ORC、Parquet等。

存储格式一般需要根据业务进行选择,生产环境中绝大多数表都采用TextFile、 ORC、Parquet存储格式之一。

TextFile是最简单的存储格式,它是纯文本记录,也是Hive的默认格式。其磁盘开销 大,查询效率低,更多的是作为跳板来使用。RCFile、ORC、Parquet等格式的表都不能由文件直接导入数据,必须由TextFile来做中转。

Parquet和ORC都是Apache旗下的开源列式存储格式。列式存储比起传统的行式存 储更适合批量OLAP查询,并且也支持更好的压缩和编码。选择Parquet的原因主要 是它支持Impala查询引擎,并且对update、delete和事务性操作需求很低。

数据压缩

压缩技术可以减少map与reduce之间的数据传输,从而可以提升查询性能,关于压 缩的配置可以在hive的命令行中或者hive-site.xml文件中进行配置。

开启压缩之后,可以选择下面的压缩格式:

hadoop distcp 参数调优_Hive高级调优

压缩格式.png

关于压缩的编码器可以通过mapred-site.xml, hive-site.xml进行配置,也可以通过 命令行进行配置,如:

设计阶段要考虑的优化点:

参数优化

本地模式

当Hive处理的数据量较小的时,启动分布式处理数据就会显得浪费,因为可能启动时间比处理数据时间还要长,Hive支持将作业动态的转为本地模式,需要使用下面的配置:

一个作业只要满足下面的条件,会启用本地模式

  • 输入文件的大小小于 hive.exec.mode.local.auto.inputbytes.max 配置的大小
  • map任务的数量小于 hive.exec.mode.local.auto.input.files.max 配置的大小
  • reduce任务的数量是1或者0

严格模式

所谓严格模式就是不允许执行3种有风险的HQL语句

  • 查询分区表的时候不限定分区列的语句
  • 两个表join产生了笛卡尔积
  • 用order by 来排序,但没有指定limit

要开启严格模式,需要将参数要开启严格模式,需要将参数

hive.mapred.mode

设为strict(缺省值)。

该参数可以不在参数文件中定义,在执行SQL之前设置(set hive.mapred.mode=nostrict ),即在当前SQL不是严格模式。

JVM重用

默认情况下,Hadoop会为为一个map或者reduce启动一个JVM,这样可以并行执行map和reduce。

当map或者reduce是那种仅运行几秒钟的轻量级作业时,JVM启动进程所耗费的时 间会比作业执行的时间还要长。Hadoop可以重用JVM,通过共享JVM以串行而非并行的方式运行map或者reduce。

JVM的重用适用于同一个作业的map和reduce,对于不同作业的task不能够共享 JVM。如果要开启JVM重用,需要配置一个作业最大task数量,默认值为1,如果设 置为-1,则表示不限制

这个功能的缺点是,开启JVM重用将一直占用使用到的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中有某几个reduce task执行的时间 要比其他Reduce task消耗的时间多的多的话,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。

并行执行

Hive的查询通常会被转换成一系列的stage,这些stage之间并不是一直相互依赖 的,可以并行执行这些stage,通过下面的方式进行配置:

并行执行可以增加集群资源的利用率,如果集群的资源使用率已经很高了,那么并 行执行的效果不会很明显。

推测执行

在分布式集群环境下,因为程序Bug、负载不均衡、资源分布不均等原因,会造成同 一个作业的多个任务之间运行速度不一致,有些任务的运行速度可能明显慢于其他任务(比如一个作业的某个任务进度只有50%,而其他所有任务已经运行完毕), 则这些任务会拖慢作业的整体执行进度。

为了避免这种情况发生,Hadoop采用了推测执行机制,它根据一定的规则推测出 “拖后腿”的任务,并为这样的任务启动一个备份任务,让该任务与原始任务同时处理 同一份数据,并最终选用最先成功运行完成任务的计算结果作为最终结果。

合并小文件

  • 在map执行前合并小文件,减少map数
  • 在Map-Reduce的任务结束时合并小文件

Fetch模式

Fetch模式是指Hive中对某些情况的查询可以不必使用MR计算,select col1,col2 from tab;

可以简单地读取表对应的存储目录下的文件,然后输出查询结果到控制台,在开启fetch模式之后,在全局查找、字段查找、limit查找等都不启动MR

参数调整:

SQL优化

列裁剪和分区裁剪

列裁剪是在查询时至读取需要的列,避免查询select * from tab这种;分区裁剪就是只读取需要的分区,不需要的分区不需要读取出来,分区表一定要跟上分区。

sort by 代替 order by

HiveQL中的order by与其他关系数据库SQL中的功能一样,是将结果按某字段全局排序,这会导致所有map端数据都进入一reduce中,在数据量大时可能会长时间计算不完。

如果使用sort by,那么还是会视情况启动多个reducer进行排序,并且保证每个 reducer内局部有序。为了控制map端数据分配到reducer的key,往往还要配合 distribute by 一同使用。如果不加 distribute by 的话,map端数据就会随机分配到 reducer。

group by 代替count(distinct)

当要统计某一列的去重数时,如果数据量很大,count(distinct) 会非常慢。原因与 order by类似,count(distinct)逻辑只会有很少的reducer来处理。此时可以用 group by 来改写:

这样写会启动两个MR job(单纯distinct只会启动一个),所以要确保数据量大到启动job的overhead远小于计算耗时,才考虑这种方法。当数据集很小或者key的倾斜 比较明显时,group by还可能会比distinct慢。

group by配置调整----map端预聚合

group by时,如果先起一个combiner在map端做部分预聚合,可以有效减少 shuffle数据量。

Map端进行聚合操作的条目数

通过 hive.groupby.mapaggr.checkinterval 参数也可以设置map端预聚合的行 数阈值,超过该值就会分拆job,默认值10W。

group by配置调整----倾斜均衡置顶

group by时如果某些key对应的数据量过大,就会发生数据倾斜。Hive自带了一个均衡数据倾斜的配置项 hive.groupby.skewindata ,默认值false。

其实现方法是在group by时启动两个MR job。第一个job会将map端数据随机输入 reducer,每个reducer做部分聚合,相同的key就会分布在不同的reducer中。第二 个job再将前面预处理过的数据按key聚合并输出结果,这样就起到了均衡的效果。

但是,配置项毕竟是死的,单纯靠它有时不能根本上解决问题,建议了解数据倾斜 的细节,并优化查询语句。

join的在基础优化

hive join 的三种方式

  1. common join

普通连接,在SQL中不特殊指定连接方式使用的都是这种普通连接,两个数据在做连接之前,会先去做shuffle,如下图,会将关联id,相同的时候同一个区,再去真正的关联

缺点:性能差(性能差的原因:要将数据分区,有shuffle)

优点:操作简单,适应性强

hadoop distcp 参数调优_Hive高级调优

common Join.png

  1. map join

map端连接,与普通连接的区别是这个连接中不会有reduce阶段存在,连接在map端完成

适用场景:大表与小表连接,小表数据量应该能够完全加载到内存,否则不适用

优点:在大小表连接时性能提升明显,

备注:Hive 0.6 的时候默认认为写在select 后面的是大表,前面的是小表, 或者使用 select a., b. from a join b on a.id = b.id【要求小表在前,大表之后】

hive 0.7 的时候这个计算是自动化的,它首先会自动判断哪个是小表,哪个是大 表,这个参数由(hive.auto.convert.join=true)来控制,然后控制小表的大小由 (hive.smalltable.filesize=25000000)参数控制(默认是25M),当小表超过这个 大小,hive 会默认转化成common join。

Hive 0.8.1,hive.smalltable.filesize => hive.mapjoin.smalltable.filesize 缺点:使用范围较小,只针对大小表且小表能完全加载到内存中的情况。

  1. bucket map join

分桶连接:Hive 建表的时候支持hash 分区通过指定clustered by (col_name,xxx ) into number_buckets buckets 关键字.当连接的两个表的join key 就是bucket column 的时候,就可以通过设置hive.optimize.bucketmapjoin= true 来执行优 化。

原理:通过两个表分桶在执行连接时会将小表的每个分桶映射成hash表,每个task 节点都需要这个小表的所有hash表,但是在执行时只需要加载该task所持有大表分 桶对应的小表部分的hash表就可以,所以对内存的要求是能够加载小表中最大的 hash块即可。

注意点:小表与大表的分桶数量需要是倍数关系,这个是因为分桶策略决定的,分桶时会根据分桶字段对桶数取余后决定哪个桶的,所以要保证成倍数关系。

优点:比map join对内存的要求降低,能在逐行对比时减少数据计算量(不用比对 小表全量)

缺点:只适用于分桶表

利用map join特性

map join特别适合大小表join的情况。Hive会将build table和probe table在map端直接完成join过程,消灭了reduce,效率很高。

select a.event_type, b.upload_time from calendar_event_code a
inner join (
  select event_type, upload_time from calendar_record_log
where pt_date = 20190225
) b on a.event_type 
           

map join的配置项是 hive.auto.convert.join ,默认值true。

当build table大小小于hive.mapjoin.smalltable.filesize 会启用map join, 默认值25000000(约25MB)。还有 hive.mapjoin.cache.numrows ,表示缓存 build table的多少行数据到内存,默认值25000。

分桶表map join

map join对分桶表还有特别的优化。由于分桶表是基于一列进行hash存储的,因此 非常适合抽样(按桶或按块抽样)。它对应的配置项是 hive.optimize.bucketmapjoin 。

倾斜均衡配置项

这个配置与 group by 的倾斜均衡配置项异曲同工,通过 hive.optimize.skewjoin 来配置,默认false。如果开启了,在join过程中Hive会将计数超过阈值 hive.skewjoin.key (默认 100000)的倾斜key对应的行临时写进文件中,然后再启动另一个job做map join生 成结果。通过 hive.skewjoin.mapjoin.map.tasks 参数还可以控制第二个job的 mapper数量,默认10000。

去掉空值和无意义的值

日志类数据中往往会有一些项没有记录到,其值为null,或者空字符串、-1等。如果 缺失的项很多,在做join时这些空值就会非常集中,拖累进度【备注:这个字段是连接字段】。

若不需要空值数据,就提前写 where 语句过滤掉。需要保留的话,将空值key用随 机方式打散,例如将用户ID为null的记录随机改为负值:

单独处理倾斜的key

如果倾斜的 key 有实际的意义,一般来讲倾斜的key都很少,此时可以将它们单独抽 取出来,对应的行单独存入临时表中,然后打上一个较小的随机数前缀(比如 0~9),最后再进行聚合。

不要一个Select语句中,写太多的Join。一定要了解业务,了解数据。(A0-A9) 分成多条语句,分步执行;(A0-A4; A5-A9);先执行大表与小表的关联;

调整Map数

通常情况下,作业会通过输入数据的目录产生一个或者多个map任务。主要因素包括:

  • 输入文件总数
  • 输入文件大小
  • HDFS文件块大小

Map不是越多也好,而是合适的才是最好的。

如果一个任务有很多小文件(远远小于128M),每个小文件也会被当做成一个数据块,用一个MapTask来完成,一个MapTask启动和初始化时间远远大于处理时间,就会造成资源浪费,而且系统中可用的map是有限的。

对于小文件采用的策略是合并小文件。

每个map处理接近128M的文件块,会有其他问题吗。也不一定。

有一个125M的文件,一般情况下会用一个Map Task完成。假设这个文件字段很 少,但记录数却非常多。如果Map处理的逻辑比较复杂,用一个map任务去做,性 能也不好。

对于复杂文件采用的策略是增加 Map 数

调整Reduce数

reducer数量的确定方法比mapper简单得多。使用参数

mapred.reduce.tasks

可以直接设定reducer数量。如果未设置该参数,Hive会进行自行推测,逻辑如下:

  • 参数hive.exec.reducers.bytes.per.reducer用来设定每个reducer能够处理的最大数据量,默认值256M
  • 参数hive.exec.reducers.max用来设定每个job的最大reducer数量,默认值999(1.2版本之前)或1009(1.2版本之后)
  • 得出reducer数:reducer_num = Min(total_input_size / hive.exec.reducers.bytes.per.reducer,hive.exec.reducers.max )

即: min(输入总数据量 / 256M, 1009)

reducer数量与输出文件的数量相关。如果reducer数太多,会产生大量小文件,对 HDFS造成压力。如果reducer数太少,每个reducer要处理很多数据,容易拖慢运行 时间或者造成OOM。

Hive优化小结

深入理解 Hadoop 的核心能力,对Hive优化很有帮助。Hadoop/Hive 处理数据过 程,有几个显著特征:

  • 不怕数据多,就怕数据倾斜
  • 对job数比较多的作业运行效率相对比较低,比如即使有几百行的表,多次关联多次汇总,产品十几个jobs,执行时间也需要较长时间。MapReduce作业初始化的时间是比较长的。
  • 对sum、count的聚合操作来说,不存在数据倾斜
  • count(distinct) 效率较低,数据量大容易出问题

从大的方面来说,优化可以从几个方面

  • 好的设计模型,事半功倍(该分区分区,该分桶分桶,压缩、本地模式)
  • 解决数据倾斜问题。仅仅依靠参数解决数据倾斜,是通用的优化手段,收获有限。开发人员应该熟悉业务,了解数据规律,通过业务逻辑解决数据倾斜往往更可靠。
  • 减少job数
  • 设置合理的mapTask、reduceTask数
  • 对小文件进行合并
  • 优化整体,单一作业优化不如整体优化。

继续阅读