HiveSQL常用优化方法全面总结
轉載自??HiveSQL常用優化方法全面總結
Hive作為大數據領域常用的數據倉庫組件，在平時設計和查詢時要特別注意效率。影響Hive效率的幾乎從不是數據量過大，而是數據傾斜、數據冗余、job或I/O過多、MapReduce分配不合理等等。對Hive的調優既包含對HiveQL語句本身的優化，也包含Hive配置項和MR方面的調整。
?
列裁剪和分區裁剪
最基本的操作。所謂列裁剪就是在查詢時只讀取需要的列，分區裁剪就是只讀取需要的分區。以我們的日歷記錄表為例：
當列很多或者數據量很大時，如果select *或者不指定分區，全列掃描和全表掃描效率都很低。
Hive中與列裁剪優化相關的配置項是hive.optimize.cp，與分區裁剪優化相關的則是hive.optimize.pruner，默認都是true。在HiveQL解析階段對應的則是ColumnPruner邏輯優化器。
?
謂詞下推
在關系型數據庫如MySQL中，也有謂詞下推（Predicate Pushdown，PPD）的概念。它就是將SQL語句中的where謂詞邏輯都盡可能提前執行，減少下游處理的數據量。
例如以下HiveQL語句：
對forum_topic做過濾的where語句寫在子查詢內部，而不是外部。Hive中有謂詞下推優化的配置項hive.optimize.ppd，默認值true，與它對應的邏輯優化器是PredicatePushDown。該優化器就是將OperatorTree中的FilterOperator向上提，見下圖。
圖來自https://tech.meituan.com/2014/02/12/hive-sql-to-mapreduce.html
?
上面的鏈接中是一篇講解HiveQL解析與執行過程的好文章，前文提到的優化器、OperatorTree等概念在其中也有詳細的解釋，非常推薦。
?
sort by代替order by
HiveQL中的order by與其他SQL方言中的功能一樣，就是將結果按某字段全局排序，這會導致所有map端數據都進入一個reducer中，在數據量大時可能會長時間計算不完。
如果使用sort by，那么還是會視情況啟動多個reducer進行排序，并且保證每個reducer內局部有序。為了控制map端數據分配到reducer的key，往往還要配合distribute by一同使用。如果不加distribute by的話，map端數據就會隨機分配到reducer。
舉個例子，假如要以UID為key，以上傳時間倒序、記錄類型倒序輸出記錄數據：
group by代替distinct
當要統計某一列的去重數時，如果數據量很大，count(distinct)就會非常慢，原因與order by類似，count(distinct)邏輯只會有很少的reducer來處理。這時可以用group by來改寫：
select count(1) from (select uid from calendar_record_logwhere pt_date >= 20190101group by uid ) t;但是這樣寫會啟動兩個MR job（單純distinct只會啟動一個），所以要確保數據量大到啟動job的overhead遠小于計算耗時，才考慮這種方法。當數據集很小或者key的傾斜比較明顯時，group by還可能會比distinct慢。
那么如何用group by方式同時統計多個列？下面是解決方法：
?
select t.a,sum(t.b),count(t.c),count(t.d) from (select a,b,null c,null d from some_tableunion allselect a,0 b,c,null d from some_table group by a,cunion allselect a,0 b,null c,d from some_table group by a,d ) t;group by配置調整
map端預聚合
group by時，如果先起一個combiner在map端做部分預聚合，可以有效減少shuffle數據量。預聚合的配置項是hive.map.aggr，默認值true，對應的優化器為GroupByOptimizer，簡單方便。
通過hive.groupby.mapaggr.checkinterval參數也可以設置map端預聚合的行數閾值，超過該值就會分拆job，默認值100000。
傾斜均衡配置項
group by時如果某些key對應的數據量過大，就會發生數據傾斜。Hive自帶了一個均衡數據傾斜的配置項hive.groupby.skewindata，默認值false。
其實現方法是在group by時啟動兩個MR job。第一個job會將map端數據隨機輸入reducer，每個reducer做部分聚合，相同的key就會分布在不同的reducer中。第二個job再將前面預處理過的數據按key聚合并輸出結果，這樣就起到了均衡的效果。
但是，配置項畢竟是死的，單純靠它有時不能根本上解決問題，因此還是建議自行了解數據傾斜的細節，并優化查詢語句。
join基礎優化
join優化是一個復雜的話題，下面先說5點最基本的注意事項。
build table（小表）前置
在最常見的hash join方法中，一般總有一張相對小的表和一張相對大的表，小表叫build table，大表叫probe table。如下圖所示。
Hive在解析帶join的SQL語句時，會默認將最后一個表作為probe table，將前面的表作為build table并試圖將它們讀進內存。如果表順序寫反，probe table在前面，引發OOM的風險就高了。
在維度建模數據倉庫中，事實表就是probe table，維度表就是build table。假設現在要將日歷記錄事實表和記錄項編碼維度表來join：
多表join時key相同
這種情況會將多個join合并為一個MR job來處理，例如：
select a.event_type,a.event_code,a.event_desc,b.upload_time from calendar_event_code a inner join (select event_type,upload_time from calendar_record_logwhere pt_date = 20190225 ) b on a.event_type = b.event_type inner join (select event_type,upload_time from calendar_record_log_2where pt_date = 20190225 ) c on a.event_type = c.event_type;如果上面兩個join的條件不相同，比如改成a.event_code = c.event_code，就會拆成兩個MR job計算。
負責這個的是相關性優化器CorrelationOptimizer，它的功能除此之外還非常多，邏輯復雜，參考Hive官方的文檔可以獲得更多細節：https://cwiki.apache.org/confluence/display/Hive/Correlation+Optimizer。
利用map join特性
map join特別適合大小表join的情況。Hive會將build table和probe table在map端直接完成join過程，消滅了reduce，效率很高。
select /*+mapjoin(a)*/ a.event_type,b.upload_time from calendar_event_code a inner join (select event_type,upload_time from calendar_record_logwhere pt_date = 20190225 ) b on a.event_type < b.event_type;上面的語句中加了一條map join hint，以顯式啟用map join特性。早在Hive 0.8版本之后，就不需要寫這條hint了。map join還支持不等值連接，應用更加靈活。
map join的配置項是hive.auto.convert.join，默認值true，對應邏輯優化器是MapJoinProcessor。
還有一些參數用來控制map join的行為，比如hive.mapjoin.smalltable.filesize，當build table大小小于該值就會啟用map join，默認值25000000（25MB）。還有hive.mapjoin.cache.numrows，表示緩存build table的多少行數據到內存，默認值25000。
分桶表map join
map join對分桶表還有特別的優化。由于分桶表是基于一列進行hash存儲的，因此非常適合抽樣（按桶或按塊抽樣）。
它對應的配置項是hive.optimize.bucketmapjoin，優化器是BucketMapJoinOptimizer。但我們的業務中用分桶表較少，所以就不班門弄斧了，只是提一句。
傾斜均衡配置項
這個配置與上面group by的傾斜均衡配置項異曲同工，通過hive.optimize.skewjoin來配置，默認false。
如果開啟了，在join過程中Hive會將計數超過閾值hive.skewjoin.key（默認100000）的傾斜key對應的行臨時寫進文件中，然后再啟動另一個job做map join生成結果。通過hive.skewjoin.mapjoin.map.tasks參數還可以控制第二個job的mapper數量，默認10000。
再重復一遍，通過自帶的配置項經常不能解決數據傾斜問題。join是數據傾斜的重災區，后面還要介紹在SQL層面處理傾斜的各種方法。
優化SQL處理join數據傾斜
上面已經多次提到了數據傾斜，包括已經寫過的sort by代替order by，以及group by代替distinct方法，本質上也是為了解決它。join操作更是數據傾斜的重災區，需要多加注意。
空值或無意義值
這種情況很常見，比如當事實表是日志類數據時，往往會有一些項沒有記錄到，我們視情況會將它置為null，或者空字符串、-1等。如果缺失的項很多，在做join時這些空值就會非常集中，拖累進度。
因此，若不需要空值數據，就提前寫where語句過濾掉。需要保留的話，將空值key用隨機方式打散，例如將用戶ID為null的記錄隨機改為負值：
單獨處理傾斜key
這其實是上面處理空值方法的拓展，不過傾斜的key變成了有意義的。一般來講傾斜的key都很少，我們可以將它們抽樣出來，對應的行單獨存入臨時表中，然后打上一個較小的隨機數前綴（比如0~9），最后再進行聚合。SQL語句與上面的相仿，不再贅述。
不同數據類型
這種情況不太常見，主要出現在相同業務含義的列發生過邏輯上的變化時。
舉個例子，假如我們有一舊一新兩張日歷記錄表，舊表的記錄類型字段是(event_type int)，新表的是(event_type string)。為了兼容舊版記錄，新表的event_type也會以字符串形式存儲舊版的值，比如'17'。當這兩張表join時，經常要耗費很長時間。其原因就是如果不轉換類型，計算key的hash值時默認是以int型做的，這就導致所有“真正的”string型key都分配到一個reducer上。所以要注意類型轉換：
build table過大
有時，build table會大到無法直接使用map join的地步，比如全量用戶維度表，而使用普通join又有數據分布不均的問題。這時就要充分利用probe table的限制條件，削減build table的數據量，再使用map join解決。代價就是需要進行兩次join。舉個例子：
select /*+mapjoin(b)*/ a.uid,a.event_type,b.status,b.extra_info from calendar_record_log a left outer join (select /*+mapjoin(s)*/ t.uid,t.status,t.extra_infofrom (select distinct uid from calendar_record_log where pt_date = 20190228) sinner join user_info t on s.uid = t.uid ) b on a.uid = b.uid where a.pt_date = 20190228;MapReduce優化
調整mapper數
mapper數量與輸入文件的split數息息相關，在Hadoop源碼org.apache.hadoop.mapreduce.lib.input.FileInputFormat類中可以看到split劃分的具體邏輯。這里不貼代碼，直接敘述mapper數是如何確定的。
-
可以直接通過參數mapred.map.tasks（默認值2）來設定mapper數的期望值，但它不一定會生效，下面會提到。
-
設輸入文件的總大小為total_input_size。HDFS中，一個塊的大小由參數dfs.block.size指定，默認值64MB或128MB。在默認情況下，mapper數就是：
default_mapper_num = total_input_size / dfs.block.size。 -
參數mapred.min.split.size（默認值1B）和mapred.max.split.size（默認值64MB）分別用來指定split的最小和最大大小。split大小和split數計算規則是：
split_size = MAX(mapred.min.split.size, MIN(mapred.max.split.size, dfs.block.size))；
split_num = total_input_size / split_size。 -
得出mapper數：
mapper_num = MIN(split_num, MAX(default_num, mapred.map.tasks))。
可見，如果想減少mapper數，就適當調高mapred.min.split.size，split數就減少了。如果想增大mapper數，除了降低mapred.min.split.size之外，也可以調高mapred.map.tasks。
一般來講，如果輸入文件是少量大文件，就減少mapper數；如果輸入文件是大量非小文件，就增大mapper數；至于大量小文件的情況，得參考下面“合并小文件”一節的方法處理。
調整reducer數
reducer數量的確定方法比mapper簡單得多。使用參數mapred.reduce.tasks可以直接設定reducer數量，不像mapper一樣是期望值。但如果不設這個參數的話，Hive就會自行推測，邏輯如下：
-
參數hive.exec.reducers.bytes.per.reducer用來設定每個reducer能夠處理的最大數據量，默認值1G（1.2版本之前）或256M（1.2版本之后）。
-
參數hive.exec.reducers.max用來設定每個job的最大reducer數量，默認值999（1.2版本之前）或1009（1.2版本之后）。
-
得出reducer數：
reducer_num = MIN(total_input_size / reducers.bytes.per.reducer, reducers.max)。
reducer數量與輸出文件的數量相關。如果reducer數太多，會產生大量小文件，對HDFS造成壓力。如果reducer數太少，每個reducer要處理很多數據，容易拖慢運行時間或者造成OOM。
合并小文件
-
輸入階段合并
需要更改Hive的輸入文件格式，即參數hive.input.format，默認值是org.apache.hadoop.hive.ql.io.HiveInputFormat，我們改成org.apache.hadoop.hive.ql.io.CombineHiveInputFormat。
這樣比起上面調整mapper數時，又會多出兩個參數，分別是mapred.min.split.size.per.node和mapred.min.split.size.per.rack，含義是單節點和單機架上的最小split大小。如果發現有split大小小于這兩個值（默認都是100MB），則會進行合并。具體邏輯可以參看Hive源碼中的對應類。 -
輸出階段合并
直接將hive.merge.mapfiles和hive.merge.mapredfiles都設為true即可，前者表示將map-only任務的輸出合并，后者表示將map-reduce任務的輸出合并。
另外，hive.merge.size.per.task可以指定每個task輸出后合并文件大小的期望值，hive.merge.size.smallfiles.avgsize可以指定所有輸出文件大小的均值閾值，默認值都是1GB。如果平均大小不足的話，就會另外啟動一個任務來進行合并。
啟用壓縮
壓縮job的中間結果數據和輸出數據，可以用少量CPU時間節省很多空間。壓縮方式一般選擇Snappy，效率最高。
要啟用中間壓縮，需要設定hive.exec.compress.intermediate為true，同時指定壓縮方式hive.intermediate.compression.codec為org.apache.hadoop.io.compress.SnappyCodec。另外，參數hive.intermediate.compression.type可以選擇對塊（BLOCK）還是記錄（RECORD）壓縮，BLOCK的壓縮率比較高。
輸出壓縮的配置基本相同，打開hive.exec.compress.output即可。
JVM重用
在MR job中，默認是每執行一個task就啟動一個JVM。如果task非常小而碎，那么JVM啟動和關閉的耗時就會很長。可以通過調節參數mapred.job.reuse.jvm.num.tasks來重用。例如將這個參數設成5，那么就代表同一個MR job中順序執行的5個task可以重復使用一個JVM，減少啟動和關閉的開銷。但它對不同MR job中的task無效。
并行執行與本地模式
-
并行執行
Hive中互相沒有依賴關系的job間是可以并行執行的，最典型的就是多個子查詢union all。在集群資源相對充足的情況下，可以開啟并行執行，即將參數hive.exec.parallel設為true。另外hive.exec.parallel.thread.number可以設定并行執行的線程數，默認為8，一般都夠用。 -
本地模式
Hive也可以不將任務提交到集群進行運算，而是直接在一臺節點上處理。因為消除了提交到集群的overhead，所以比較適合數據量很小，且邏輯不復雜的任務。
設置hive.exec.mode.local.auto為true可以開啟本地模式。但任務的輸入數據總量必須小于hive.exec.mode.local.auto.inputbytes.max（默認值128MB），且mapper數必須小于hive.exec.mode.local.auto.tasks.max（默認值4），reducer數必須為0或1，才會真正用本地模式執行。
嚴格模式
所謂嚴格模式，就是強制不允許用戶執行3種有風險的HiveQL語句，一旦執行會直接失敗。這3種語句是：
-
查詢分區表時不限定分區列的語句；
-
兩表join產生了笛卡爾積的語句；
-
用order by來排序但沒有指定limit的語句。
要開啟嚴格模式，需要將參數hive.mapred.mode設為strict。
采用合適的存儲格式
在HiveQL的create table語句中，可以使用stored as ...指定表的存儲格式。Hive表支持的存儲格式有TextFile、SequenceFile、RCFile、Avro、ORC、Parquet等。
存儲格式一般需要根據業務進行選擇，在我們的實操中，絕大多數表都采用TextFile與Parquet兩種存儲格式之一。
TextFile是最簡單的存儲格式，它是純文本記錄，也是Hive的默認格式。雖然它的磁盤開銷比較大，查詢效率也低，但它更多地是作為跳板來使用。RCFile、ORC、Parquet等格式的表都不能由文件直接導入數據，必須由TextFile來做中轉。
Parquet和ORC都是Apache旗下的開源列式存儲格式。列式存儲比起傳統的行式存儲更適合批量OLAP查詢，并且也支持更好的壓縮和編碼。我們選擇Parquet的原因主要是它支持Impala查詢引擎，并且我們對update、delete和事務性操作需求很低。
這里就不展開講它們的細節，可以參考各自的官網：
https://parquet.apache.org/
https://orc.apache.org/
總結
以上是生活随笔為你收集整理的HiveSQL常用优化方法全面总结的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 水晶先锋出装 LOL斯卡纳神装推荐
- 下一篇： 手机版的谷歌地图可以看街景吗? 谷歌地图