[置顶] hive数据倾斜优化

关于hive的优化
Hive倾斜—不患寡而患不均

一、创建表时候的优化
a)       大表拆分为小表
b)       如果使用外部分区表的话，要注意多级分区，比如以天为分区的话，每天为分区，以小时为分区的话，要以小时为二级分区。
c)       数据存储：更改存储格式、数据压缩。
二、对表数据查询的优化
a)       Sql语句的优化：尽可能的加入合理的过滤语句，使查询到的数据更合理、更少而有效；对于分区表的查询尽可能使用分区字段。
b)       对MapReduce的优化：对reduce个数的优化、对jvm重用、数据查询之前的推测执行等。
c)       具体如下
三、一些小技巧
1、对fetch task的优化
我们可以使用fetch taske更改显示内容的多少。
设置参数的优先级：在命令行或者代码设置参数 > hive-site.xml>hive-default.xml
或者：set hive.fetch.task.conversion=more;   //单次交互模式下有效，
或者以这种模式运行hive：bin/hive --hiveconf hive.fetch.task.conversion=more
2、开启严格模式
strictmode：严格模式设置，严格模式下将会限制一些查询操作
     文件格式，ORC PARQUET 等  
     分区表
      select 查询不加where过滤条件，不会执行
四、查询操作优化
优化sql语句，如先过滤再join；先分组（group by）再做distinct;
1、加入分组
原因：如果有1TB的数据，如果单次查询，可能会只是用一个reduce，但是如果我们加入了分组（group by）,就会调用多个reduce，这使效率提高。
eg1.
Select count(*)cnt
From store_saless
4000
s
     join household_demographics hd on(ss.ss_hdemo_sk = hd.hd_demo_sk)
     join time_dim t on (ss.ss_sold_time_sk =t.t_time_sk)
     join store s on (s.s_store_sk =ss.ss_store_sk)
Where
     t.t_hour = 8
     t.t_minute >= 30
     hd.hd_dep_count = 2
order by cnt;
2、全表关联的时候join的同时过滤
在SELECT中，只拿需要的列，如果有，尽量使用分区过滤，少用SELECT *。
在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在Where后面，那么就会先全表关联，之后再过滤，比如：
SELECT a.empno
FROM emp a
left outer joinemp_part b
ON (a.deptno =b.depno)
WHERE b.day ='20150828′;
 
         正确的写法是写在ON后面：
 
SELECT a.id
FROM emp a
left outer joinemp_part b
ON (a.deptno = b.depno AND b.day = '2015082818');
3、先分组，在DISTINCT
少用COUNT DISTINCT
数据量小的时候无所谓，数据量大的情况下，由于COUNT DISTINCT操作需要用一个Reduce Task来完成，这一个Reduce需要处理的数据量太大，就会导致整个Job很难完成，一般COUNT DISTINCT使用先GROUP BY再COUNT的方式替换：
eg3.
 
SELECT day,
COUNT(DISTINCTid) AS uv
FROM emp
GROUP BY day
 
可以转换成：
 
SELECT day,
COUNT(id) AS uv
FROM (SELECTday,id FROM emp GROUP BY day,id) a
GROUP BY day;
4. MapReduce过程的map、shuffle、reduce端的snappy压缩
 
需要先替换hadoop的native本地包开启压缩
在mapred-site.xml文件设置启用压缩及压缩编码
在执行SQL执行时设置启用压缩和指定压缩编码
              5、设置Map和reduce个数：默认情况下一个块对应一个map任务，map数据我们一般不去调整，
reduce个数根据reduce处理的数据量大小进行适当调整
这体现了“分而治之”的思想。
 
确定map个数与合并小文件。
6、hive的并行执行
假设一个sql语句运行的时候产生多个job，比如一个sql与1.2.3个job，其中第1、2个job在查询（join查询语句）的过程后在与第三个job结果进行join查询，我们可以将1、2job在join同时job3可以同时并行执行。
 
       分布式并行化
set hive.exec.parallel=true; //一次性配置
<description>Whether to execute jobs inparallel</description>
 
set hive.exec.parallel.thread.number=8;
<description>How many jobs at most can beexecuted in parallel</description>
7、JVM重用
一个job可能有多个map reduce任务，每个任务会开启一个JVM虚拟机，默认情况下一个任务对应一个JVM，任务运行完JVM即销毁，到了下一次MapReduce任务又会重启。这样大大消耗了时间。
 
因此我们可以设置JVM重用参数，一般不超过5个，这样一个JVM内可以连续运行多个任务，jvm不会销毁。
 
JVM重用是Hadoop调优参数的内容，对Hive的性能具有非常大的影响，特别是对于很难避免小文件的场景或者task特别多的场景，这类场景大多数执行时间都很短。hadoop默认配置是使用派生JVM来执行map和reduce任务的，这是jvm的启动过程可能会造成相当大的开销，尤其是执行的job包含有成千上万个task任务的情况。
JVM重用可以使得JVM实例在同一个JOB中重新使用N次，N的值可以在Hadoop的mapre-site.xml文件中进行设置（建议参考5~10）
mapred.job.reuse.jvm.num.tasks(旧版)
mapreduce.job.jvm.numtasks(新版)
hadoop.apache.org/docs/r2.5.2/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml
http://hadoop.apache.org/docs/r2.5.2/hadoop-mapreduce-client/hadoop-mapreduce-client-core/mapred-default.xml
8、推测执行：例如一个Job应用有10个MapReduce任务（map 及reduce），其中9个任务已经完成，那么application Master会在另外启动一个相同的任务来运行未完成的那个，最后哪个先运行完成就把另一个kill掉
 
       启用speculative最大的好处是，一个map执行的时候，系统会在其他空闲的服务器上启动相同的map来同时运行，哪个运行的快就使用哪个的结果，另一个运行慢的在有了结果之后就会被kill。