【浪點聊大資料】

Hive作為大資料領域常用的資料倉庫元件，在平時設計和查詢時要特別注意效率。影響Hive效率的幾乎從不是資料量過大，而是資料傾斜、資料冗餘、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。

目錄

• 列裁剪和分割槽裁剪

• 謂詞下推

• sort by代替order by

• group by代替distinct

• group by配置調整

• map端預聚合

• 傾斜均衡配置項

• join基礎優化

• build table（小表）前置

• 多表join時key相同

• 利用map join特性

• 分桶表map join

• 傾斜均衡配置項

• 優化SQL處理join資料傾斜

• 空值或無意義值

• 單獨處理傾斜key

• 不同資料型別

• build table過大

• MapReduce優化

• 調整mapper數

• 調整reducer數

• 合併小檔案

• 啟用壓縮

• JVM重用

• 並行執行與本地模式

• 嚴格模式

• 採用合適的儲存格式

列裁剪和分割槽裁剪

最基本的操作。所謂列裁剪就是在查詢時只讀取需要的列，分割槽裁剪就是隻讀取需要的分割槽。以我們的日曆記錄表為例：

select uid,event_type,record_data
 
from calendar_record_log
where pt_date >= 20190201 and pt_date <= 20190224
and status = 0;

當列很多或者資料量很大時，如果select *或者不指定分割槽，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，與分割槽裁剪優化相關的則是hive.optimize.pruner，預設都是true。在HiveQL解析階段對應的則是ColumnPruner邏輯優化器。

謂詞下推

在關係型資料庫如MySQL中，也有謂詞下推（Predicate Pushdown，PPD）的概念。它就是將SQL語句中的where謂詞邏輯都儘可能提前執行，減少下游處理的資料量。

select a.uid,a.event_type,b.topic_id,b.title
from calendar_record_log a
left outer join (
  select uid,topic_id,title from forum_topic
  where pt_date = 20190224 and length(content) >= 100
) b on a.uid = b.uid
where a.pt_date = 20190224 and status = 0;

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，預設值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

上面的連結中是一篇講解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，就是將結果按某欄位全域性排序，這會導致所有map端資料都進入一個reducer中，在資料量大時可能會長時間計算不完。
如果使用sort by，那麼還是會視情況啟動多個reducer進行排序，並且保證每個reducer內區域性有序。為了控制map端資料分配到reducer的key，往往還要配合distribute by一同使用。如果不加distribute by的話，map端資料就會隨機分配到reducer。
舉個例子，假如要以UID為key，以上傳時間倒序、記錄型別倒序輸出記錄資料：

select uid,upload_time,event_type,record_data
from calendar_record_log
where pt_date >= 20190201 and pt_date <= 20190224
distribute by uid
sort by upload_time desc,event_type desc;

group by代替distinct

當要統計某一列的去重數時，如果資料量很大，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_log
  where pt_date >= 20190101
  group by uid
) t;

但是這樣寫會啟動兩個MR job（單純distinct只會啟動一個），所以要確保資料量大到啟動job的overhead遠小於計算耗時，才考慮這種方法。當資料集很小或者key的傾斜比較明顯時，group by還可能會比distinct慢。
那麼如何用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_table
  union all
  select a,0 b,c,null d from some_table group by a,c
  union all
  select 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資料量。預聚合的配置項是hive.map.aggr，預設值true，對應的優化器為GroupByOptimizer，簡單方便。
通過hive.groupby.mapaggr.checkinterval引數也可以設定map端預聚合的行數閾值，超過該值就會分拆job，預設值100000。

傾斜均衡配置項

group by時如果某些key對應的資料量過大，就會發生資料傾斜。Hive自帶了一個均衡資料傾斜的配置項hive.groupby.skewindata，預設值false。
其實現方法是在group by時啟動兩個MR job。第一個job會將map端資料隨機輸入reducer，每個reducer做部分聚合，相同的key就會分佈在不同的reducer中。第二個job再將前面預處理過的資料按key聚合並輸出結果，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資料傾斜的細節，並優化查詢語句。

join基礎優化

join優化是一個複雜的話題，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，會預設將最後一個表作為probe table，將前面的表作為build table並試圖將它們讀進記憶體。如果表順序寫反，probe table在前面，引發OOM的風險就高了。
在維度建模資料倉庫中，事實表就是probe table，維度表就是build table。假設現在要將日曆記錄事實表和記錄項編碼維度表來join：

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_log
  where pt_date = 20190225
) b on a.event_type = b.event_type;

多表join時key相同

這種情況會將多個join合併為一個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_log
  where pt_date = 20190225
) b on a.event_type = b.event_type
inner join (
  select event_type,upload_time from calendar_record_log_2
  where 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，邏輯複雜，參考Hive官方的文件可以獲得更多細節：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_log
  where 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版本之後，就不需要寫這條hint了。map join還支援不等值連線，應用更加靈活。
map join的配置項是hive.auto.convert.join，預設值true，對應邏輯優化器是MapJoinProcessor。
還有一些引數用來控制map join的行為，比如hive.mapjoin.smalltable.filesize，當build table大小小於該值就會啟用map join，預設值25000000（25MB）。還有hive.mapjoin.cache.numrows，表示快取build table的多少行資料到記憶體，預設值25000。

分桶表map join

map join對分桶表還有特別的優化。由於分桶表是基於一列進行hash儲存的，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，預設false。
如果開啟了，在join過程中Hive會將計數超過閾值hive.skewjoin.key（預設100000）的傾斜key對應的行臨時寫進檔案中，然後再啟動另一個job做map join生成結果。通過hive.skewjoin.mapjoin.map.tasks引數還可以控制第二個job的mapper數量，預設10000。
再重複一遍，通過自帶的配置項經常不能解決資料傾斜問題。join是資料傾斜的重災區，後面還要介紹在SQL層面處理傾斜的各種方法。

優化SQL處理join資料傾斜

上面已經多次提到了資料傾斜，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操作更是資料傾斜的重災區，需要多加註意。

空值或無意義值

這種情況很常見，比如當事實表是日誌類資料時，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，若不需要空值資料，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，例如將使用者ID為null的記錄隨機改為負值：

select a.uid,a.event_type,b.nickname,b.age
from (
  select 
  (case when uid is null then cast(rand()*-10240 as int) else uid end) as uid,
  event_type from calendar_record_log
  where pt_date >= 20190201
) a left outer join (
  select uid,nickname,age from user_info where status = 4
) b on a.uid = b.uid;

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，然後打上一個較小的隨機數字首（比如0~9），最後再進行聚合。SQL語句與上面的相仿，不再贅述。

不同資料型別

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曆記錄表，舊錶的記錄型別欄位是(event_type int)，新表的是(event_type string)。為了相容舊版記錄，新表的event_type也會以字串形式儲存舊版的值，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型別，計算key的hash值時預設是以int型做的，這就導致所有“真正的”string型key都分配到一個reducer上。所以要注意型別轉換：

select a.uid,a.event_type,b.record_data
from calendar_record_log a
left outer join (
  select uid,event_type from calendar_record_log_2
  where pt_date = 20190228
) b on a.uid = b.uid and b.event_type = cast(a.event_type as string)
where a.pt_date = 20190228;

build table過大

有時，build table會大到無法直接使用map join的地步，比如全量使用者維度表，而使用普通join又有資料分佈不均的問題。這時就要充分利用probe table的限制條件，削減build table的資料量，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_info
  from (select distinct uid from calendar_record_log where pt_date = 20190228) s
  inner 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數量與輸入檔案的split數息息相關，在Hadoop原始碼org.apache.hadoop.mapreduce.lib.input.FileInputFormat類中可以看到split劃分的具體邏輯。這裡不貼程式碼，直接敘述mapper數是如何確定的。

• 可以直接通過引數mapred.map.tasks（預設值2）來設定mapper數的期望值，但它不一定會生效，下面會提到。

• 設輸入檔案的總大小為total_input_size。HDFS中，一個塊的大小由引數dfs.block.size指定，預設值64MB或128MB。在預設情況下，mapper數就是：
  default_mapper_num = total_input_size / dfs.block.size。

• 引數mapred.min.split.size（預設值1B）和mapred.max.split.size（預設值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，如果輸入檔案是少量大檔案，就減少mapper數；如果輸入檔案是大量非小檔案，就增大mapper數；至於大量小檔案的情況，得參考下面“合併小檔案”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。使用引數mapred.reduce.tasks可以直接設定reducer數量，不像mapper一樣是期望值。但如果不設這個引數的話，Hive就會自行推測，邏輯如下：

• 引數hive.exec.reducers.bytes.per.reducer用來設定每個reducer能夠處理的最大資料量，預設值1G（1.2版本之前）或256M（1.2版本之後）。

• 引數hive.exec.reducers.max用來設定每個job的最大reducer數量，預設值999（1.2版本之前）或1009（1.2版本之後）。

• 得出reducer數：
  reducer_num = MIN(total_input_size / reducers.bytes.per.reducer, reducers.max)。

reducer數量與輸出檔案的數量相關。如果reducer數太多，會產生大量小檔案，對HDFS造成壓力。如果reducer數太少，每個reducer要處理很多資料，容易拖慢執行時間或者造成OOM。

合併小檔案

• 輸入階段合併
  需要更改Hive的輸入檔案格式，即引數hive.input.format，預設值是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，又會多出兩個引數，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大小小於這兩個值（預設都是100MB），則會進行合併。具體邏輯可以參看Hive原始碼中的對應類。

• 輸出階段合併
  直接將hive.merge.mapfiles和hive.merge.mapredfiles都設為true即可，前者表示將map-only任務的輸出合併，後者表示將map-reduce任務的輸出合併。
  另外，hive.merge.size.per.task可以指定每個task輸出後合併檔案大小的期望值，hive.merge.size.smallfiles.avgsize可以指定所有輸出檔案大小的均值閾值，預設值都是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併。

啟用壓縮

壓縮job的中間結果資料和輸出資料，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，引數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，開啟hive.exec.compress.output即可。

JVM重用

在MR job中，預設是每執行一個task就啟動一個JVM。如果task非常小而碎，那麼JVM啟動和關閉的耗時就會很長。可以通過調節引數mapred.job.reuse.jvm.num.tasks來重用。例如將這個引數設成5，那麼就代表同一個MR job中順序執行的5個task可以重複使用一個JVM，減少啟動和關閉的開銷。但它對不同MR job中的task無效。

並行執行與本地模式

• 並行執行
  Hive中互相沒有依賴關係的job間是可以並行執行的，最典型的就是多個子查詢union all。在叢集資源相對充足的情況下，可以開啟並行執行，即將引數hive.exec.parallel設為true。另外hive.exec.parallel.thread.number可以設定並行執行的執行緒數，預設為8，一般都夠用。

• 本地模式
  Hive也可以不將任務提交到叢集進行運算，而是直接在一臺節點上處理。因為消除了提交到叢集的overhead，所以比較適合資料量很小，且邏輯不復雜的任務。
  設定hive.exec.mode.local.auto為true可以開啟本地模式。但任務的輸入資料總量必須小於hive.exec.mode.local.auto.inputbytes.max（預設值128MB），且mapper數必須小於hive.exec.mode.local.auto.tasks.max（預設值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，就是強制不允許使用者執行3種有風險的HiveQL語句，一旦執行會直接失敗。這3種語句是：

• 查詢分割槽表時不限定分割槽列的語句；

• 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，需要將引數hive.mapred.mode設為strict。

採用合適的儲存格式

在HiveQL的create table語句中，可以使用stored as ...指定表的儲存格式。Hive表支援的儲存格式有TextFile、SequenceFile、RCFile、Avro、ORC、Parquet等。
儲存格式一般需要根據業務進行選擇，在我們的實操中，絕大多數表都採用TextFile與Parquet兩種儲存格式之一。
TextFile是最簡單的儲存格式，它是純文字記錄，也是Hive的預設格式。雖然它的磁碟開銷比較大，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檔案直接匯入資料，必須由TextFile來做中轉。
Parquet和ORC都是Apache旗下的開源列式儲存格式。列式儲存比起傳統的行式儲存更適合批量OLAP查詢，並且也支援更好的壓縮和編碼。我們選擇Parquet的原因主要是它支援Impala查詢引擎，並且我們對update、delete和事務性操作需求很低。
這裡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/