Hive优化

HIVE优化(设置合理的map reduce的task数)

1 map阶段优化

1.1 map参数

1.2 map切分情况

1.3 主要的解决方式

2.reduce阶段优化

2.1 Reduce的个数

2.2 Hive自己如何确定reduce数

2.3 调整reduce个数方法一

2.4 调整reduce个数方法二

2.5 reduce个数并不是越多越好

2.6 什么情况下只有一个reduce

3.小文件合并优化

Hive优化之小文件问题及其解决方案：

小文件是如何产生的

小文件问题的影响

小文件问题的解决方案

map/reduce端的相关参数

1 map阶段优化
1.1 map参数
mapred.min.split.size：数据的最小分割单元；min值默认是1KB。
mapred.max.split.size：数据的最大分割单元；max值默认是256M。
通过调整max可以起到调整map数的作用，减小max可以增加map数；增加min可以减少map数。
注意：直接调整 mapred.map.task 这个参数是没有效果的。
1.2 map切分情况

• 假设input目录下有1个文件a，大小是780M，那么map默认参数会把a分成7块（6个128M和1个 12M），从而产生7个map。

• 假设input目录下有3个文件a,b,c，大小分别为10M，20M，130M，那么hadoop会把文件分成4块（10M，20M，128M，2M），从而产生4个map数。

  注意：如果文件大于块大小（128M），那么会拆分，如果小于块大小，则把该文件当成一个块。
  这就涉及到小文件的问题：如果一个任务有很多小文件（远远小于块大小128M），则每个小文件也会当做一个块，用一个map任务来完成。
  而一个map任务启动和初始化的时间远远大于逻辑处理的时间，就会造成很大的资源浪费。而且，同时可执行的map数是受限的。那么，是不是保证每个map处理接近128M的文件块，就高枕无忧了？答案也是不一定。比如有一个127M的文件，正常会用一个map去完成，但这个文件只有一个或者两个小字段，却有几千万的记录，如果map处理的逻辑比较复杂，用一个map任务去做，肯定也比较耗时。

1.3 主要的解决方式

• 减少map的数量

假设一个SQL任务：
Select count(1) from popt_tbaccountcopy_meswhere pt = '2012-07-04';
该任务的inputdir :  /group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04
共有194个文件，其中很多事远远小于128M的小文件，总大小9G，正常执行会用194个map任务。
Map总共消耗的计算资源：SLOTS_MILLIS_MAPS= 623,020

通过以下方法来在map执行前合并小文件，减少map数：
set mapred.max.split.size=128000000;  			// 能分割块的最大块大小
set mapred.min.split.size.per.node=100000000;	// 每个节点处理的最小split
set mapred.min.split.size.per.rack=100000000;	// 每个机架处理的最小split
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;	// 合并文件
再执行上面的语句，用了74个map任务，map消耗的计算资源：SLOTS_MILLIS_MAPS= 333,500
对于这个简单SQL任务，执行时间上可能差不多，但节省了一半的计算资源。
大概解释一下，100000000表示100M, 
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;这个参数表示执行前进行小文件合并，
前面三个参数确定合并文件块的大小，大于文件块大小128m的，按照128m来分隔，
小于128m,大于100m的，按照100m来分隔，把那些小于100m的（包括小文件和分隔大文件剩下的），
进行合并,最终生成了74个块。

• 增加map的数量

如何适当的增加map数？
当input的文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数，
来使得每个map处理的数据量减少，从而提高任务的执行效率。

 假设有这样一个任务：
    Select data_desc,
               count(1),
               count(distinct id),
               sum(case when ...),
               sum(case when ...),
               sum(...)
    from a group by data_desc

如果表a只有一个文件，大小为120M，但包含几千万的记录，如果用1个map去完成这个任务，肯定是比较耗时的，
这种情况下，我们要考虑将这一个文件合理的拆分成多个，
这样就可以用多个map任务去完成。
    set mapred.reduce.tasks=10;
      create table a_1 as 
      select * from a 
      distribute by rand(123);

这样会将a表的记录，随机的分散到包含10个文件的a_1表中，再用a_1代替上面sql中的a表，则会用10个map任务去完成。
每个map任务处理大于12M（几百万记录）的数据，效率肯定会好很多。

• 注意：看上去，貌似这两种有些矛盾，一个是要合并小文件，一个是要把大文件拆成小文件，这点正是重点需要关注的地方，使单个map任务处理合适的数据量；

2.reduce阶段优化
2.1 Reduce的个数
Reduce的个数对整个作业的运行性能有很大影响。如果Reduce设置的过大，那么将会产生很多小文件，对NameNode会产生一定的影响，而且整个作业的运行时间未必会减少；如果Reduce设置的过小，那么单个Reduce处理的数据将会加大，很可能会引起OOM异常。
如果设置了mapred.reduce.tasks/mapreduce.job.reduces参数，那么Hive会直接使用它的值作为Reduce的个数；如果mapred.reduce.tasks/mapreduce.job.reduces的值没有设置（也就是-1），那么Hive会根据输入文件的大小估算出Reduce的个数。根据输入文件估算Reduce的个数可能未必很准确，因为Reduce的输入是Map的输出，而Map的输出可能会比输入要小，所以最准确的数根据Map的输出估算Reduce的个数。

2.2 Hive自己如何确定reduce数：
reduce个数的设定极大影响任务执行效率，不指定reduce个数的情况下，Hive会猜测确定一个reduce个数，基于以下两个设定：

　　hive.exec.reducers.bytes.per.reducer（每个reduce任务处理的数据量，默认为1000^3=1G）
　　hive.exec.reducers.max（每个任务最大的reduce数，默认为999）
　　计算reducer数的公式很简单N=min（参数2，总输入数据量/参数1）
　　即，如果reduce的输入（map的输出）总大小不超过1G，那么只会有一个reduce任务；
　　
如：select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt; 
            /group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04 总大小为9G多，因此这句有10个reduce

2.3 调整reduce个数方法一：

　　调整hive.exec.reducers.bytes.per.reducer参数的值；
　　set hive.exec.reducers.bytes.per.reducer=500000000; （500M）
　　select pt, count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt;
　　这次有20个reduce

2.4 调整reduce个数方法二

　　set mapred.reduce.tasks=15;
　　select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt;
　　这次有15个reduce

2.5 reduce个数并不是越多越好

　　同map一样，启动和初始化reduce也会消耗时间和资源；
　　另外，有多少个reduce，就会有个多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题；

2.6 什么情况下只有一个reduce；
很多时候你会发现任务中不管数据量多大，不管你有没有调整reduce个数的参数，任务中一直都只有一个reduce任务；其实只有一个reduce任务的情况，除了数据量小于hive.exec.reducers.bytes.per.reducer参数值的情况外，还有以下原因

1. 没有group by的汇总，比如把select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’  group by pt; 写成select count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’; 这点非常常3. 见，希望大家尽量改写。
2.用了Order by
3.有笛卡尔积。

注意：在设置reduce个数的时候也需要考虑这两个原则：使大数据量利用合适的reduce数；是单个reduce任务处理合适的数据量；

3.小文件合并优化
我们知道文件数目小，容易在文件存储端造成瓶颈，给HDFS带来压力，影响处理效率。对此，可以通过合并Map和Reduce的结果文件来消除这样的影响。

用于设置合并的参数有：

• 是否合并Map输出文件：hive.merge.mapfiles=true（默认值为true）
• 是否合并Reduce端输出文件：hive.merge.mapredfiles=false（默认值为false）
• 合并文件的大小：hive.merge.size.per.task=25610001000（默认值为256000000）

3.1 Hive优化之小文件问题及其解决方案：
小文件是如何产生的：

• 动态分区插入数据，产生大量的小文件，从而导致map数量剧增；
• reduce数量越多，小文件也越多（reduce的个数和输出文件是对应的）；
• 数据源本身就包含大量的小文件。
  小文件问题的影响：
• 从Hive的角度看，小文件会开很多map，一个map开一个JVM去执行，所以这些任务的初始化，启动，执行会浪费大量的资源，严重影响性能。
• 在HDFS中，每个小文件对象约占150byte，如果小文件过多会占用大量内存。这样NameNode内存容量严重制约了集群的扩展。

小文件问题的解决方案：
从小文件产生的途径就可以从源头上控制小文件数量，方法如下：

• 使用Sequencefile作为表存储格式，不要用textfile，在一定程度上可以减少小文件；
• 减少reduce的数量（可以使用参数进行控制）；
• 少用动态分区，用时记得按distribute by分区；

对于已有的小文件，我们可以通过以下几种方案解决：

• 使用hadoop archive命令把小文件进行归档；
• 重建表，建表时减少reduce数量；

通过参数进行调节，设置map/reduce端的相关参数，如下

//每个Map最大输入大小(这个值决定了合并后文件的数量)  
set mapred.max.split.size=256000000;    
//一个节点上split的至少的大小(这个值决定了多个DataNode上的文件是否需要合并)  
set mapred.min.split.size.per.node=100000000;  
//一个交换机下split的至少的大小(这个值决定了多个交换机上的文件是否需要合并)    
set mapred.min.split.size.per.rack=100000000;  
//执行Map前进行小文件合并  
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;   

设置map输出和reduce输出进行合并的相关参数：
[java] view plain copy
//设置map端输出进行合并，默认为true  
set hive.merge.mapfiles = true  
//设置reduce端输出进行合并，默认为false  
set hive.merge.mapredfiles = true  
//设置合并文件的大小  
set hive.merge.size.per.task = 256*1000*1000  
//当输出文件的平均大小小于该值时，启动一个独立的MapReduce任务进行文件merge。  
set hive.merge.smallfiles.avgsize=16000000