使用Hive 分析数据

当我们的数据量特别大的时候,我们可以用Hive统计数据。

Hive的好处是特别方便,编写程序的难度比较低。

输出文件作聚合的方法:

http://www.chinacloud.cn/show.aspx?id=3277&cid=12

Map端部分聚合:

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。

基于Hash

参数包括:

  • hive.map.aggr=true是否在Map端进行聚合,默认为True
  • hive.groupby.mapaggr.checkinterval=100000在Map端进行聚合操作的条目数目

有数据倾斜的时候进行负载均衡

hive.groupby.skewindata=false

当选项设定为true,生成的查询计划会有两个MRJob。第一个MRJob中,Map的输出结果集合会随机分布到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GroupByKey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MRJob再根据预处理的数据结果按照GroupByKey分布到Reduce中(这个过程可以保证相同的GroupByKey被分布到同一个Reduce中),最后完成最终的聚合操作。

合并小文件

文件数目过多,会给HDFS带来压力,并且会影响处理效率,可以通过合并Map和Reduce的结果文件来消除这样的影响:

  • hive.merge.mapfiles=true是否和并Map输出文件,默认为True
  • hive.merge.mapredfiles=false是否合并Reduce输出文件,默认为False
  • hive.merge.size.per.task=256*1000*1000合并文件的大小

相关推荐