HIVE優化學習筆記

阿新 • • 發佈：2020-07-25

概述

之前寫過關於hive的已經有兩篇隨筆了，但是作者依然還是一枚小白，現在把那些雜七雜八的總結一下，供以後查閱和總結。今天的文章介紹一下hive的優化。hive是好多公司都在使用的東西，也有好多大公司進行定製化二次優化，比如鵝廠的Thive等。所以學習hive至關重要，本文只針對大眾版免費開源的hive。官網地址：http://hive.apache.org/。

HIVE的特徵

Hive是一個構建在Hadoop之上的資料倉庫軟體,它可以使已經儲存的資料結構化，它提供類似sql的查詢語句HiveQL對資料進行分析處理。 Hive將HiveQL語句轉換成一系列成MapReduce作業並執行（SQL轉化為MapReduce的過程你知道嗎？）。使用者可以很方便的使用命令列和JDBC程式的方式來連線到hive。目前，Hive除了支援MapReduce計算引擎，還支援Spark和Tez這兩中分散式計算引擎（Tez之前介紹過詳見：

HIVE執行引擎TEZ學習以及實際使用）。他們常用於離線批處理。

1.可通過SQL輕鬆訪問資料的工具，從而實現資料倉庫任務，如提取/轉換/載入（ETL），報告和資料分析。

2.它可以使已經儲存的資料結構化。

3.可以直接訪問儲存在Apache HDFS™或其他資料儲存系統（如Apache HBase™）中的檔案

4. 資料的儲存格式有多種，比如資料來源是二進位制格式，普通文字格式等等。

而hive強大之處不要求資料轉換成特定的格式，而是利用hadoop本身InputFormat API來從不同的資料來源讀取資料，同樣地使用OutputFormat API將資料寫成不同的格式。所以對於不同的資料來源，或者寫出不同的格式就需要不同的對應的InputFormat和Outputformat類的實現。

以stored as textfile為例，其在底層java API中表現是輸入InputFormat格式:TextInputFormat以及輸出OutputFormat格式:HiveIgnoreKeyTextOutputFormat.這裡InputFormat中定義瞭如何對資料來源文字進行讀取劃分，以及如何將切片分割成記錄存入表中。而Outputformat定義瞭如何將這些切片寫回到檔案裡或者直接在控制檯輸出。

不僅如此hive的sql還可以通過使用者定義的函式（UDF），使用者定義的聚合（UDAF）和使用者定義的表函式（UDTF）進行擴充套件。（幾個函式之間的區別）Hive中不僅可以使用逗號和製表符分割值（CSV/TSV）文版檔案，還可以使用SequenceFile、RC、ORC、Parquet（知道這幾種儲存格式的區別），當然Hive還可以通過使用者來自定義自己的儲存格式，基本上前面說的到的幾種格式完全夠了。Hive意在最大先讀的提高可伸縮性（通過向Hadoop叢集動態新增更多機器擴充套件），效能，可擴充套件性，容錯性以及其輸入格式的鬆散耦合。

HIVE必須面對的問題

總的來說hive是擁有hadoop計算框架的特性的，根據以上的特性，他也會衍生如下的幾個問題：

資料量大不是問題，資料傾斜是個問題。

jobs數比較多的作業執行效率相對比較低，比如即使有幾百行的表，如果多次關聯多次彙總，產生十幾個jobs，耗時很長。原因是map reduce作業初始化的時間是比較長的。

sum,count,max,min等UDAF，不怕資料傾斜問題,hadoop在map端的彙總合併優化，使資料傾斜不成問題。

count(distinct ),在資料量大的情況下，效率較低，如果是多count(distinct )效率更低，因為count(distinct)是按group by 欄位分組，按distinct欄位排序，一般這種分佈方式是很傾斜的。舉個例子：比如男uv,女uv，像淘寶一天30億的pv，如果按性別分組，分配2個reduce,每個reduce處理15億資料。

面對這些問題，我們能有哪些有效的優化手段呢？下面列出一些在工作有效可行的優化手段：

好的模型設計事半功倍。

解決資料傾斜問題。

減少job數。

設定合理的map reduce的task數，能有效提升效能。(比如，10w+級別的計算，用160個reduce，那是相當的浪費，1個足夠)。

瞭解資料分佈，自己動手解決資料傾斜問題是個不錯的選擇。set hive.groupby.skewindata=true;這是通用的演算法優化，但演算法優化有時不能適應特定業務背景，開發人員瞭解業務，瞭解資料，可以通過業務邏輯精確有效的解決資料傾斜問題。

資料量較大的情況下，慎用count(distinct)，count(distinct)容易產生傾斜問題。

對小檔案進行合併，是行至有效的提高排程效率的方法，假如所有的作業設定合理的檔案數，對雲梯的整體排程效率也會產生積極的正向影響。

優化時把握整體，單個作業最優不如整體最優。

而接下來，我們心中應該會有一些疑問，影響效能的根源是什麼？

效能低下的根源

hive效能優化時，把HiveQL當做M/R程式來讀，即從M/R的執行角度來考慮優化效能，從更底層思考如何優化運算效能，而不僅僅侷限於邏輯程式碼的替換層面。

RAC（Real Application Cluster）真正應用叢集就像一輛機動靈活的小貨車，響應快；Hadoop就像吞吐量巨大的輪船，啟動開銷大，如果每次只做小數量的輸入輸出，利用率將會很低。所以用好Hadoop的首要任務是增大每次任務所搭載的資料量。

Hadoop的核心能力是parition和sort，因而這也是優化的根本。

觀察Hadoop處理資料的過程，有幾個顯著的特徵：

資料的大規模並不是負載重點，造成執行壓力過大是因為執行資料的傾斜。

jobs數比較多的作業執行效率相對比較低，比如即使有幾百行的表，如果多次關聯對此彙總，產生幾十個jobs，將會需要30分鐘以上的時間且大部分時間被用於作業分配，初始化和資料輸出。M/R作業初始化的時間是比較耗時間資源的一個部分。

在使用SUM，COUNT，MAX，MIN等UDAF函式時，不怕資料傾斜問題，Hadoop在Map端的彙總合併優化過，使資料傾斜不成問題。

COUNT(DISTINCT)在資料量大的情況下，效率較低，如果多COUNT(DISTINCT)效率更低，因為COUNT(DISTINCT)是按GROUP BY欄位分組，按DISTINCT欄位排序，一般這種分散式方式是很傾斜的；比如：男UV，女UV，淘寶一天30億的PV，如果按性別分組，分配2個reduce,每個reduce處理15億資料。

資料傾斜是導致效率大幅降低的主要原因，可以採用多一次 Map/Reduce 的方法，避免傾斜。

最後得出的結論是：避實就虛，用 job 數的增加，輸入量的增加，佔用更多儲存空間，充分利用空閒 CPU 等各種方法，分解資料傾斜造成的負擔。

配置角度優化

我們知道了效能低下的根源，同樣，我們也可以從Hive的配置解讀去優化。Hive系統內部已針對不同的查詢預設定了優化方法，使用者可以通過調整配置進行控制，以下舉例介紹部分優化的策略以及優化控制選項。

列裁剪

Hive 在讀資料的時候，可以只讀取查詢中所需要用到的列，而忽略其它列。例如，若有以下查詢：

SELECT a,b FROM q WHERE e<10;

在實施此項查詢中，Q 表有 5 列（a，b，c，d，e），Hive 只讀取查詢邏輯中真實需要的 3 列 a、b、e，而忽略列 c，d；這樣做節省了讀取開銷，中間表儲存開銷和資料整合開銷。裁剪所對應的引數項為：hive.optimize.cp=true（預設值為真）。

分割槽裁剪

可以在查詢的過程中減少不必要的分割槽。例如，若有以下查詢：

1 SELECT * FROM (SELECTT a1,COUNT(1) FROM T GROUP BY a1) subq WHERE subq.prtn=100; #（多餘分割槽） 
2 SELECT * FROM T1 JOIN (SELECT * FROM T2) subq ON (T1.a1=subq.a2) WHERE subq.prtn=100;

查詢語句若將“subq.prtn=100”條件放入子查詢中更為高效，可以減少讀入的分割槽數目。 Hive 自動執行這種裁剪優化。分割槽引數為：hive.optimize.pruner=true（預設值為真）。

JOIN操作

在編寫帶有 join 操作的程式碼語句時，應該將條目少的表/子查詢放在 Join 操作符的左邊。因為在 Reduce 階段，位於 Join 操作符左邊的表的內容會被載入進記憶體，載入條目較少的表可以有效減少 OOM（out of memory）即記憶體溢位。所以對於同一個 key 來說，對應的 value 值小的放前，大的放後，這便是“小表放前”原則。若一條語句中有多個 Join，依據 Join 的條件相同與否，有不同的處理方法。

JOIN原則

在使用寫有 Join 操作的查詢語句時有一條原則：應該將條目少的表/子查詢放在 Join 操作符的左邊。原因是在 Join 操作的 Reduce 階段，位於 Join 操作符左邊的表的內容會被載入進記憶體，將條目少的表放在左邊，可以有效減少發生 OOM 錯誤的機率。對於一條語句中有多個 Join 的情況，如果 Join 的條件相同，比如查詢。

1 INSERT OVERWRITE TABLE pv_users 
2  SELECT pv.pageid, u.age FROM page_view p 
3  JOIN user u ON (pv.userid = u.userid) 
4  JOIN newuser x ON (u.userid = x.userid);

如果 Join 的 key 相同，不管有多少個表，都會則會合併為一個 Map-Reduce

一個 Map-Reduce 任務，而不是 ‘n’ 個

在做 OUTER JOIN 的時候也是一樣

如果 Join 的條件不相同，比如：

1 INSERT OVERWRITE TABLE pv_users 
2    SELECT pv.pageid, u.age FROM page_view p 
3    JOIN user u ON (pv.userid = u.userid) 
4    JOIN newuser x on (u.age = x.age);

Map-Reduce 的任務數目和 Join 操作的數目是對應的，上述查詢和以下查詢是等價的：

1 INSERT OVERWRITE TABLE tmptable 
2    SELECT * FROM page_view p JOIN user u 
3    ON (pv.userid = u.userid);
4  INSERT OVERWRITE TABLE pv_users 
5    SELECT x.pageid, x.age FROM tmptable x 
6    JOIN newuser y ON (x.age = y.age);

MAP JOIN操作

Join 操作在 Map 階段完成，不再需要Reduce，前提條件是需要的資料在 Map 的過程中可以訪問到。比如查詢：

1 INSERT OVERWRITE TABLE pv_users 
2    SELECT /*+ MAPJOIN(pv) */ pv.pageid, u.age 
3    FROM page_view pv 
4      JOIN user u ON (pv.userid = u.userid);

可以在 Map 階段完成 Join，如圖所示：

相關的引數為：

hive.join.emit.interval = 1000

hive.mapjoin.size.key = 10000

hive.mapjoin.cache.numrows = 10000

GROUP BY操作

進行GROUP BY操作時需要注意一下幾點：

Map端部分聚合

　　事實上並不是所有的聚合操作都需要在reduce部分進行，很多聚合操作都可以先在Map端進行部分聚合，然後reduce端得出最終結果。

　　這裡需要修改的引數為：

　　hive.map.aggr=true（用於設定是否在 map 端進行聚合，預設值為真） hive.groupby.mapaggr.checkinterval=100000（用於設定 map 端進行聚合操作的條目數）

有資料傾斜時進行負載均衡

　　此處需要設定 hive.groupby.skewindata，當選項設定為 true 是，生成的查詢計劃有兩個 MapReduce 任務。在第一個 MapReduce 中，map 的輸出結果集合會隨機分佈到 reduce 中，每個 reduce 做部分聚合操作，並輸出結果。這樣處理的結果是，相同的 Group By Key 有可能分發到不同的 reduce 中，從而達到負載均衡的目的；第二個 MapReduce 任務再根據預處理的資料結果按照 Group By Key 分佈到 reduce 中（這個過程可以保證相同的 Group By Key 分佈到同一個 reduce 中），最後完成最終的聚合操作。

合併小檔案

我們知道檔案數目小，容易在檔案儲存端造成瓶頸，給 HDFS 帶來壓力，影響處理效率。對此，可以通過合併Map和Reduce的結果檔案來消除這樣的影響。

用於設定合併屬性的引數有：

是否合併Map輸出檔案：hive.merge.mapfiles=true（預設值為真）

是否合併Reduce 端輸出檔案：hive.merge.mapredfiles=false（預設值為假）

合併檔案的大小：hive.merge.size.per.task=256*1000*1000（預設值為 256000000）

程式角度優化

熟練使用SQL提高查詢

熟練地使用 SQL，能寫出高效率的查詢語句。

場景：有一張 user 表，為賣家每天收到表，user_id，ds（日期）為 key，屬性有主營類目，指標有交易金額，交易筆數。每天要取前10天的總收入，總筆數，和最近一天的主營類目。

解決方法 1。如下所示：常用方法

 1 INSERT OVERWRITE TABLE t1 
 2 SELECT user_id,substr(MAX(CONCAT(ds,cat),9) AS main_cat) FROM users 
 3 WHERE ds=20120329 // 20120329 為日期列的值，實際程式碼中可以用函式表示出當天日期 GROUP BY user_id; 
 4 
 5 INSERT OVERWRITE TABLE t2 
 6 SELECT user_id,sum(qty) AS qty,SUM(amt) AS amt FROM users 
 7 WHERE ds BETWEEN 20120301 AND 20120329 
 8 GROUP BY user_id 
 9 
10 SELECT t1.user_id,t1.main_cat,t2.qty,t2.amt FROM t1 
11 JOIN t2 ON t1.user_id=t2.user_id

下面給出方法1的思路，實現步驟如下：

第一步：利用分析函式，取每個 user_id 最近一天的主營類目，存入臨時表 t1。

第二步：彙總 10 天的總交易金額，交易筆數，存入臨時表 t2。

第三步：關聯 t1，t2，得到最終的結果。

解決方法2：

如下所示：優化方法

1 SELECT user_id,substr(MAX(CONCAT(ds,cat)),9) AS main_cat,SUM(qty),SUM(amt) FROM users 
2 WHERE ds BETWEEN 20120301 AND 20120329 
3 GROUP BY user_id

在工作中我們總結出：方案 2 的開銷等於方案 1 的第二步的開銷，效能提升，由原有的 25 分鐘完成，縮短為 10 分鐘以內完成。節省了兩個臨時表的讀寫是一個關鍵原因，這種方式也適用於 Oracle 中的資料查詢工作。SQL 具有普適性，很多 SQL 通用的優化方案在 Hadoop 分散式計算方式中也可以達到效果。

無效ID在關聯時的資料傾斜問題

問題：日誌中常會出現資訊丟失，比如每日約為 20 億的全網日誌，其中的 user_id 為主鍵，在日誌收集過程中會丟失，出現主鍵為 null 的情況，如果取其中的 user_id 和 bmw_users 關聯，就會碰到資料傾斜的問題。原因是 Hive 中，主鍵為 null 值的項會被當做相同的 Key 而分配進同一個計算 Map。

解決方法 1：user_id 為空的不參與關聯，子查詢過濾 null

1 SELECT * FROM log a 
2 JOIN bmw_users b ON a.user_id IS NOT NULL AND a.user_id=b.user_id 
3 UNION All SELECT * FROM log a WHERE a.user_id IS NULL

解決方法 2 如下所示：函式過濾 null

1 SELECT * FROM log a LEFT OUTER 
2 JOIN bmw_users b ON 
3 CASE WHEN a.user_id IS NULL THEN CONCAT(‘dp_hive’,RAND()) ELSE a.user_id END =b.user_id;

調優結果：原先由於資料傾斜導致執行時長超過 1 小時，解決方法 1 執行每日平均時長 25 分鐘，解決方法 2 執行的每日平均時長在 20 分鐘左右。優化效果很明顯。

我們在工作中總結出：解決方法2比解決方法1效果更好，不但IO少了，而且作業數也少了。解決方法1中log讀取兩次，job 數為2。解決方法2中 job 數是1。這個優化適合無效 id（比如-99、 ‘’，null 等）產生的傾斜問題。把空值的 key 變成一個字串加上隨機數，就能把傾斜的資料分到不同的Reduce上，從而解決資料傾斜問題。因為空值不參與關聯，即使分到不同的 Reduce 上，也不會影響最終的結果。附上 Hadoop 通用關聯的實現方法是：關聯通過二次排序實現的，關聯的列為 partion key，關聯的列和表的 tag 組成排序的 group key，根據 pariton key分配Reduce。同一Reduce內根據group key排序。

不同資料型別關聯產生的傾斜問題

問題：不同資料型別 id 的關聯會產生資料傾斜問題。

　　一張表 s8 的日誌，每個商品一條記錄，要和商品表關聯。但關聯卻碰到傾斜的問題。 s8 的日誌中有 32 為字串商品 id，也有數值商品 id，日誌中型別是 string 的，但商品中的數值 id 是 bigint 的。猜想問題的原因是把 s8 的商品 id 轉成數值 id 做 hash 來分配 Reduce，所以字串 id 的 s8 日誌，都到一個 Reduce 上了，解決的方法驗證了這個猜測。

　　解決方法：把資料型別轉換成字串型別

1 SELECT * FROM s8_log a LEFT OUTER 
2 JOIN r_auction_auctions b ON a.auction_id=CAST(b.auction_id AS STRING)

調優結果顯示：資料表處理由 1 小時 30 分鐘經程式碼調整後可以在 20 分鐘內完成。

利用Hive對UNION ALL優化的特性

　　多表 union all 會優化成一個 job。

　　問題：比如推廣效果表要和商品表關聯，效果表中的 auction_id 列既有 32 為字串商品 id，也有數字 id，和商品表關聯得到商品的資訊。

　　解決方法：Hive SQL 效能會比較好

1 SELECT * FROM effect a 
2 JOIN 
3 (SELECT auction_id AS auction_id FROM auctions 
4 UNION All 
5 SELECT auction_string_id AS auction_id FROM auctions) b 
6 ON a.auction_id=b.auction_id

　　比分別過濾數字 id，字串 id 然後分別和商品表關聯效能要好。

　　這樣寫的好處：1 個 MapReduce 作業，商品表只讀一次，推廣效果表只讀取一次。把這個 SQL 換成 Map/Reduce 程式碼的話，Map 的時候，把 a 表的記錄打上標籤 a，商品表記錄每讀取一條，打上標籤 b，變成兩個<key,value>對，<(b,數字 id),value>，<(b,字串 id),value>。

　　所以商品表的 HDFS 讀取只會是一次。

解決Hive對UNION ALL優化的短板

Hive 對 union all 的優化的特性：對 union all 優化只侷限於非巢狀查詢。

消滅子查詢內的 group by

示例 1：子查詢內有 group by

1 SELECT * FROM 
2 (SELECT * FROM t1 GROUP BY c1,c2,c3 UNION ALL SELECT * FROM t2 GROUP BY c1,c2,c3)t3 
3 GROUP BY c1,c2,c3

從業務邏輯上說，子查詢內的 GROUP BY 怎麼都看顯得多餘（功能上的多餘，除非有 COUNT(DISTINCT)），如果不是因為 Hive Bug 或者效能上的考量（曾經出現如果不執行子查詢 GROUP BY，資料得不到正確的結果的 Hive Bug）。所以這個 Hive 按經驗轉換成如下所示：

1 SELECT * FROM (SELECT * FROM t1 UNION ALL SELECT * FROM t2)t3 GROUP BY c1,c2,c3

　　調優結果：經過測試，並未出現 union all 的 Hive Bug，資料是一致的。MapReduce 的作業數由 3 減少到 1。

t1 相當於一個目錄，t2 相當於一個目錄，對 Map/Reduce 程式來說，t1，t2 可以作為 Map/Reduce 作業的 mutli inputs。這可以通過一個 Map/Reduce 來解決這個問題。Hadoop 的計算框架，不怕資料多，就怕作業數多。

　　但如果換成是其他計算平臺如 Oracle，那就不一定了，因為把大的輸入拆成兩個輸入，分別排序彙總後 merge（假如兩個子排序是並行的話），是有可能效能更優的（比如希爾排序比氣泡排序的效能更優）。

消滅子查詢內的 COUNT(DISTINCT)，MAX，MIN。

1 SELECT * FROM 
2 (SELECT * FROM t1 
3 UNION ALL SELECT c1,c2,c3 COUNT(DISTINCT c4) FROM t2 GROUP BY c1,c2,c3) t3 
4 GROUP BY c1,c2,c3;

由於子查詢裡頭有 COUNT(DISTINCT)操作，直接去 GROUP BY 將達不到業務目標。這時採用臨時表消滅 COUNT(DISTINCT)作業不但能解決傾斜問題，還能有效減少 jobs。

1 INSERT t4 SELECT c1,c2,c3,c4 FROM t2 GROUP BY c1,c2,c3; 
2 SELECT c1,c2,c3,SUM(income),SUM(uv) FROM 
3 (SELECT c1,c2,c3,income,0 AS uv FROM t1 
4 UNION ALL 
5 SELECT c1,c2,c3,0 AS income,1 AS uv FROM t2) t3 
6 GROUP BY c1,c2,c3;

job 數是 2，減少一半，而且兩次 Map/Reduce 比 COUNT(DISTINCT)效率更高。

調優結果：千萬級別的類目表，member 表，與 10 億級得商品表關聯。原先 1963s 的任務經過調整，1152s 即完成。

消滅子查詢內的 JOIN

1 SELECT * FROM 
2 (SELECT * FROM t1 UNION ALL SELECT * FROM t4 UNION ALL SELECT * FROM t2 JOIN t3 ON t2.id=t3.id) x 
3 GROUP BY c1,c2;

上面程式碼執行會有 5 個 jobs。加入先 JOIN 生存臨時表的話 t5，然後 UNION ALL，會變成 2 個 jobs。

1 INSERT OVERWRITE TABLE t5 
2 SELECT * FROM t2 JOIN t3 ON t2.id=t3.id; 
3 SELECT * FROM (t1 UNION ALL t4 UNION ALL t5);

調優結果顯示：針對千萬級別的廣告位表，由原先 5 個 Job 共 15 分鐘，分解為 2 個 job 一個 8-10 分鐘，一個3分鐘。

GROUP BY替代COUNT(DISTINCT)達到優化效果

計算 uv 的時候，經常會用到 COUNT(DISTINCT)，但在資料比較傾斜的時候 COUNT(DISTINCT)會比較慢。這時可以嘗試用 GROUP BY 改寫程式碼計算 uv。

原有程式碼

1 INSERT OVERWRITE TABLE s_dw_tanx_adzone_uv PARTITION (ds=20120329) 
2 SELECT 20120329 AS thedate,adzoneid,COUNT(DISTINCT acookie) AS uv FROM s_ods_log_tanx_pv t WHERE t.ds=20120329 GROUP BY adzoneid

關於COUNT(DISTINCT)的資料傾斜問題不能一概而論，要依情況而定，下面是我測試的一組資料：

測試資料：169857條

1 #統計每日IP 
2 CREATE TABLE ip_2014_12_29 AS SELECT COUNT(DISTINCT ip) AS IP FROM logdfs WHERE logdate='2014_12_29'; 
3 耗時：24.805 seconds 
4 #統計每日IP（改造） 
5 CREATE TABLE ip_2014_12_29 AS SELECT COUNT(1) AS IP FROM (SELECT DISTINCT ip from logdfs WHERE logdate='2014_12_29') tmp; 
6 耗時：46.833 seconds

測試結果表名：明顯改造後的語句比之前耗時，這是因為改造後的語句有2個SELECT，多了一個job，這樣在資料量小的時候，資料不會存在傾斜問題。

優化常用手段

主要由三個屬性來決定：

hive.exec.reducers.bytes.per.reducer ＃這個引數控制一個job會有多少個reducer來處理，依據的是輸入檔案的總大小。預設1GB。

hive.exec.reducers.max ＃這個引數控制最大的reducer的數量，如果 input / bytes per reduce > max 則會啟動這個引數所指定的reduce個數。這個並不會影響mapre.reduce.tasks引數的設定。預設的max是999。

mapred.reduce.tasks ＃這個引數如果指定了，hive就不會用它的estimation函式來自動計算reduce的個數，而是用這個引數來啟動reducer。預設是-1。

如果reduce太少：如果資料量很大，會導致這個reduce異常的慢，從而導致這個任務不能結束，也有可能會OOM 2、如果reduce太多：產生的小檔案太多，合併起來代價太高，namenode的記憶體佔用也會增大。如果我們不指定mapred.reduce.tasks， hive會自動計算需要多少個reducer。