面试必备技能-HiveSQL优化

Hive SQL基本上适用大数据领域离线数据处理的大部分场景。Hive SQL的优化也是我们必须掌握的技能，而且，面试一定会问。那么，我希望面试者能答出其中的80%优化点，在这个问题上才算过关。

• Hive优化目标
• 在有限的资源下，执行效率更高
• 常见问题
• 数据倾斜
• map数设置
• reduce数设置
• 其他

• Hive执行
• HQL --> Job --> Map/Reduce
• 执行计划
• explain [extended] hql
• 样例
• select col,count(1) from test2 group by col;
• explain select col,count(1) from test2 group by col;
• 
  
• Hive表优化
• 分区
• set hive.exec.dynamic.partition=true;
• set hive.exec.dynamic.partition.mode=nonstrict;
• 静态分区
• 动态分区
• 分桶
• set hive.enforce.bucketing=true;
• set hive.enforce.sorting=true;
• 数据
• 相同数据尽量聚集在一起
• 
  
• Hive Job优化
• 并行化执行
• 每个查询被hive转化成多个阶段，有些阶段关联性不大，则可以并行化执行，减少执行时间
• set hive.exec.parallel= true;
• set hive.exec.parallel.thread.numbe=8;
• 本地化执行
• job的输入数据大小必须小于参数:hive.exec.mode.local.auto.inputbytes.max(默认128MB)
• job的map数必须小于参数:hive.exec.mode.local.auto.tasks.max(默认4)
• job的reduce数必须为0或者1
• set hive.exec.mode.local.auto=true;
• 当一个job满足如下条件才能真正使用本地模式:
• job合并输入小文件
• set hive.input.format = org.apache.hadoop.hive.ql.io.CombineHiveInputFormat
• 合并文件数由mapred.max.split.size限制的大小决定
• job合并输出小文件
• set hive.merge.smallfiles.avgsize=256000000;当输出文件平均小于该值，启动新job合并文件
• set hive.merge.size.per.task=64000000;合并之后的文件大小
• JVM重利用
• set mapred.job.reuse.jvm.num.tasks=20;
• JVM重利用可以使得JOB长时间保留slot,直到作业结束，这在对于有较多任务和较多小文件的任务是非常有意义的，减少执行时间。当然这个值不能设置过大，因为有些作业会有reduce任务，如果reduce任务没有完成，则map任务占用的slot不能释放，其他的作业可能就需要等待。
• 压缩数据
• set hive.exec.compress.output=true;
• set mapred.output.compreession.codec=org.apache.hadoop.io.compress.GzipCodec;
• set mapred.output.compression.type=BLOCK;
• set hive.exec.compress.intermediate=true;
• set hive.intermediate.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;
• set hive.intermediate.compression.type=BLOCK;
• 中间压缩就是处理hive查询的多个job之间的数据，对于中间压缩，最好选择一个节省cpu耗时的压缩方式
• hive查询最终的输出也可以压缩
• Hive Map优化
• set mapred.map.tasks =10; 无效
• (1)默认map个数
• default_num=total_size/block_size;
• (2)期望大小
• goal_num=mapred.map.tasks;
• (3)设置处理的文件大小
• split_size=max(mapred.min.split.size,block_size);
• split_num=total_size/split_size;
• (4)计算的map个数
• compute_map_num=min(split_num,max(default_num,goal_num))
• 经过以上的分析，在设置map个数的时候，可以简答的总结为以下几点：
• 增大mapred.min.split.size的值
• 如果想增加map个数，则设置mapred.map.tasks为一个较大的值
• 如果想减小map个数，则设置mapred.min.split.size为一个较大的值
• 情况1：输入文件size巨大，但不是小文件
• 情况2：输入文件数量巨大，且都是小文件，就是单个文件的size小于blockSize。这种情况通过增大mapred.min.split.size不可行，需要使用combineFileInputFormat将多个input path合并成一个InputSplit送给mapper处理，从而减少mapper的数量。
• map端聚合
• set hive.map.aggr=true;
• 推测执行
• mapred.map.tasks.apeculative.execution
• Hive Shuffle优化
• Map端
• io.sort.mb
• io.sort.spill.percent
• min.num.spill.for.combine
• io.sort.factor
• io.sort.record.percent
• Reduce端
• mapred.reduce.parallel.copies
• mapred.reduce.copy.backoff
• io.sort.factor
• mapred.job.shuffle.input.buffer.percent
• mapred.job.shuffle.input.buffer.percent
• mapred.job.shuffle.input.buffer.percent
• Hive Reduce优化
• 需要reduce操作的查询
• group by,join,distribute by,cluster by...
• order by比较特殊,只需要一个reduce
• sum,count,distinct...
• 聚合函数
• 高级查询
• 推测执行
• mapred.reduce.tasks.speculative.execution
• hive.mapred.reduce.tasks.speculative.execution
• Reduce优化
• numRTasks = min[maxReducers,input.size/perReducer]
• maxReducers=hive.exec.reducers.max
• perReducer = hive.exec.reducers.bytes.per.reducer
• hive.exec.reducers.max 默认 ：999
• hive.exec.reducers.bytes.per.reducer 默认:1G
• set mapred.reduce.tasks=10;直接设置
• 计算公式
• 
  
• Hive查询操作优化
• join优化
• 关联操作中有一张表非常小
• 不等值的链接操作
• set hive.auto.current.join=true;
• hive.mapjoin.smalltable.filesize默认值是25mb
• select /*+mapjoin(A)*/ f.a,f.b from A t join B f on (f.a=t.a)
• hive.optimize.skewjoin=true;如果是Join过程出现倾斜，应该设置为true
• set hive.skewjoin.key=100000; 这个是join的键对应的记录条数超过这个值则会进行优化
• mapjoin
• 简单总结下,mapjoin的使用场景:
• Bucket join
• 两个表以相同方式划分桶
• 两个表的桶个数是倍数关系
• crete table order(cid int,price float) clustered by(cid) into 32 buckets;
• crete table customer(id int,first string) clustered by(id) into 32 buckets;
• select price from order t join customer s on t.cid=s.id
• 
  
• join 优化前
• select m.cid,u.id from order m join customer u on m.cid=u.id where m.dt='2013-12-12';
• 
  
• join优化后
• select m.cid,u.id from (select cid from order where dt='2013-12-12')m join customer u on m.cid=u.id;
• group by 优化
• hive.groupby.skewindata=true;如果是group by 过程出现倾斜 应该设置为true
• set hive.groupby.mapaggr.checkinterval=100000;--这个是group的键对应的记录条数超过这个值则会进行优化

• count distinct 优化
• 优化前
• select count(distinct id) from tablename
• 优化后
• select count(1) from (select distinct id from tablename) tmp;
• select count(1) from (select id from tablename group by id) tmp;
• 优化前
• select a,sum(b),count(distinct c),count(distinct d) from test group by a
• 优化后
• select a,sum(b) as b,count(c) as c,count(d) as d from(select a,0 as b,c,null as d from test group by a,c union all select a,0 as b,null as c,d from test group by a,d union all select a,b,null as c,null as d from test)tmp1 group by a;
• 
  
•