网站建立需要哪些材料,盐城网站建设培训班,安徽省建设厅证件查询,wordpress pdf 免费1.Fetch抓取
Fetch抓取是指#xff0c;Hive中对某些情况的查询可以不必使用MapReduce计算。例如#xff1a;SELECT * FROM employees;在这种情况下#xff0c;Hive可以简单地读取employee对应的存储目录下的文件#xff0c;然后输出查询结果到控制台。 在hive-default.xml…1.Fetch抓取
Fetch抓取是指Hive中对某些情况的查询可以不必使用MapReduce计算。例如SELECT * FROM employees;在这种情况下Hive可以简单地读取employee对应的存储目录下的文件然后输出查询结果到控制台。 在hive-default.xml.template文件中hive.fetch.task.conversion默认是more老版本hive默认是minimal该属性修改为more以后在全局查找、字段查找、limit查找等都不走mapreduce。
propertynamehive.fetch.task.conversion/namevaluemore/valuedescriptionExpects one of [none, minimal, more].Some select queries can be converted to single FETCH task minimizing latency.Currently the query should be single sourced not having any subquery and should not haveany aggregations or distincts (which incurs RS), lateral views and joins.1. none : disable hive.fetch.task.conversion2. minimal : SELECT STAR, FILTER on partition columns, LIMIT only3. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)/description/property案例实操 1把hive.fetch.task.conversion设置成none然后执行查询语句都会执行mapreduce程序。
hive (default) set hive.fetch.task.conversionnone;
hive (default) select * from emp;
hive (default) select ename from emp;
hive (default) select ename from emp limit 3;2把hive.fetch.task.conversion设置成more然后执行查询语句如下查询方式都不会执行mapreduce程序。hive (default) set hive.fetch.task.conversionmore;
hive (default) select * from emp;
hive (default) select ename from emp;
hive (default) select ename from emp limit 3;2.本地模式
大多数的Hadoop Job是需要Hadoop提供的完整的可扩展性来处理大数据集的。不过有时Hive的输入数据量是非常小的。在这种情况下为查询触发执行任务消耗的时间可能会比实际job的执行时间要多的多。对于大多数这种情况Hive可以通过本地模式在单台机器上处理所有的任务。对于小数据集执行时间可以明显被缩短。 用户可以通过设置hive.exec.mode.local.auto的值为true来让Hive在适当的时候自动启动这个优化。
set hive.exec.mode.local.autotrue; //开启本地mr
//设置local mr的最大输入数据量当输入数据量小于这个值时采用local mr的方式默认为134217728即128M
set hive.exec.mode.local.auto.inputbytes.max50000000;
//设置local mr的最大输入文件个数当输入文件个数小于这个值时采用local mr的方式默认为4
set hive.exec.mode.local.auto.input.files.max10;案例实操 1开启本地模式并执行查询语句
hive (default) set hive.exec.mode.local.autotrue;
hive (default) select * from emp cluster by deptno;
Time taken: 1.328 seconds, Fetched: 14 row(s)2关闭本地模式并执行查询语句
hive (default) set hive.exec.mode.local.autofalse;
hive (default) select * from emp cluster by deptno;
Time taken: 20.09 seconds, Fetched: 14 row(s)3.表的优化
3.1小表、大表Join
将key相对分散并且数据量小的表放在join的左边这样可以有效减少内存溢出错误发生的几率再进一步可以使用map join让小的维度表1000条以下的记录条数先进内存。在map端完成reduce。 实际测试发现新版的hive已经对小表JOIN大表和大表JOIN小表进行了优化。小表放在左边和右边已经没有明显区别。 案例实操 1需求 测试大表JOIN小表和小表JOIN大表的效率 2建大表、小表和JOIN后表的语句
// 创建大表
create table bigtable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by \t;
// 创建小表
create table smalltable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by \t;
// 创建join后表的语句
create table jointable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by \t;3分别向大表和小表中导入数据
hive (default) load data local inpath /opt/module/data/bigtable into table bigtable;
hive (default)load data local inpath /opt/module/data/smalltable into table smalltable;4关闭mapjoin功能默认是打开的
set hive.auto.convert.join false;5执行小表JOIN大表语句
insert overwrite table jointable
select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from smalltable s
left join bigtable b
on b.id s.id;
Time taken: 35.921 seconds
Time taken: 43.152 seconds6执行大表JOIN小表语句
insert overwrite table jointable
select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable b
left join smalltable s
on s.id b.id;
Time taken: 34.196 seconds
Time taken: 40.807 seconds3.2 大表Join大表
1空KEY过滤 有时join超时是因为某些key对应的数据太多而相同key对应的数据都会发送到相同的reducer上从而导致内存不够。此时我们应该仔细分析这些异常的key很多情况下这些key对应的数据是异常数据我们需要在SQL语句中进行过滤。例如key对应的字段为空操作如下 案例实操 1配置历史服务器 配置mapred-site.xml
property
namemapreduce.jobhistory.address/name
valuehadoop102:10020/value
/property
propertynamemapreduce.jobhistory.webapp.address/namevaluehadoop102:19888/value
/property启动历史服务器
sbin/mr-jobhistory-daemon.sh start historyserver查看jobhistory http://localhost:19888/jobhistory 2创建原始数据表、空id表、合并后数据表
// 创建原始表
create table ori(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by \t;
// 创建空id表
create table nullidtable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by \t;
// 创建join后表的语句
create table jointable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by \t;3分别加载原始数据和空id数据到对应表中
hive (default) load data local inpath /opt/module/datas/ SogouQ1.txt into table ori;
hive (default) load data local inpath /opt/module/data/nullid into table nullidtable;4测试不过滤空id
hive (default) insert overwrite table jointable
select n.* from nullidtable n left join ori o on n.id o.id;
Time taken: 42.038 seconds
Time taken: 37.284 seconds
Time taken: 41.743 seconds5测试过滤空id
hive (default) insert overwrite table jointable
select n.* from (select * from nullidtable where id is not null ) n left join ori o on n.id o.id;
Time taken: 31.725 seconds
Time taken: 28.876 seconds
Time taken: 33.29 seconds2空key转换 有时虽然某个key为空对应的数据很多但是相应的数据不是异常数据必须要包含在join的结果中此时我们可以表a中key为空的字段赋一个随机的值使得数据随机均匀地分不到不同的reducer上。例如 案例实操 不随机分布空null值 1设置5个reduce个数
set mapreduce.job.reduces 5;2JOIN两张表
insert overwrite table jointable
select n.* from nullidtable n left join ori b on n.id b.id;结果如下图所示可以看出来出现了数据倾斜某些reducer的资源消耗远大于其他reducer。 随机分布空null值 1设置5个reduce个数
set mapreduce.job.reduces 5;2JOIN两张表
insert overwrite table jointable
select n.* from nullidtable n full join ori o on
case when n.id is null then concat(hive, rand()) else n.id end o.id;结果如下图所示可以看出来消除了数据倾斜负载均衡reducer的资源消耗 3.3 MapJoin
如果不指定MapJoin或者不符合MapJoin的条件那么Hive解析器会将Join操作转换成Common Join即在Reduce阶段完成join。容易发生数据倾斜。可以用MapJoin把小表全部加载到内存在map端进行join避免reducer处理。 1开启MapJoin参数设置 1设置自动选择MapJoin
set hive.auto.convert.join true; 默认为true2大表小表的阈值设置默认25M一下认为是小表
set hive.mapjoin.smalltable.filesize25000000;2MapJoin工作机制如图6-15所示 案例实操 1开启Mapjoin功能
set hive.auto.convert.join true; 默认为true2执行小表JOIN大表语句
insert overwrite table jointable
select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from smalltable s
join bigtable b
on s.id b.id;
Time taken: 24.594 seconds
Time taken: 26.212 seconds3执行大表JOIN小表语句
insert overwrite table jointable
select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable b
join smalltable s
on s.id b.id;
Time taken: 24.315 seconds
Time taken: 24.498 seconds3.4 Group By
默认情况下Map阶段同一Key数据分发给一个reduce当一个key数据过大时就倾斜了。 并不是所有的聚合操作都需要在Reduce端完成很多聚合操作都可以先在Map端进行部分聚合最后在Reduce端得出最终结果。 1开启Map端聚合参数设置 1是否在Map端进行聚合默认为True
hive.map.aggr true2在Map端进行聚合操作的条目数目
hive.groupby.mapaggr.checkinterval 1000003有数据倾斜的时候进行负载均衡默认是false
hive.groupby.skewindata true当选项设定为 true生成的查询计划会有两个MR Job。第一个MR Job中Map的输出结果会随机分布到Reduce中每个Reduce做部分聚合操作并输出结果这样处理的结果是相同的Group By Key有可能被分发到不同的Reduce中从而达到负载均衡的目的第二个MR Job再根据预处理的数据结果按照Group By Key分布到Reduce中这个过程可以保证相同的Group By Key被分布到同一个Reduce中最后完成最终的聚合操作。 3.5 Count(Distinct) 去重统计
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 案例实操 1创建一张大表
hive (default) create table bigtable(id bigint, time bigint, uid string, keyword
string, url_rank int, click_num int, click_url string) row format delimited
fields terminated by \t;2加载数据
hive (default) load data local inpath /opt/module/datas/bigtable into tablebigtable;3设置5个reduce个数
set mapreduce.job.reduces 5;4执行去重id查询
hive (default) select count(distinct id) from bigtable;
Stage-Stage-1: Map: 1 Reduce: 1 Cumulative CPU: 7.12 sec HDFS Read: 120741990 HDFS Write: 7 SUCCESS
Total MapReduce CPU Time Spent: 7 seconds 120 msec
OK
c0
100001
Time taken: 23.607 seconds, Fetched: 1 row(s)
Time taken: 39.753 seconds, Fetched: 1 row(s)5采用GROUP by去重id
hive (default) select count(id) from (select id from bigtable group by id) a;
Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 17.53 sec HDFS Read: 120752703 HDFS Write: 580 SUCCESS
Stage-Stage-2: Map: 1 Reduce: 1 Cumulative CPU: 4.29 sec HDFS Read: 9409 HDFS Write: 7 SUCCESS
Total MapReduce CPU Time Spent: 21 seconds 820 msec
OK
_c0
100001
Time taken: 50.795 seconds, Fetched: 1 row(s)
Time taken: 63.108 seconds, Fetched: 1 row(s)虽然会多用一个Job来完成但在数据量大的情况下这个绝对是值得的。
3.6 笛卡尔积
尽量避免笛卡尔积join的时候不加on条件或者无效的on条件Hive只能使用1个reducer来完成笛卡尔积。
3.7 行列过滤
列处理在SELECT中只拿需要的列如果有尽量使用分区过滤少用SELECT *。 行处理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 案例实操 1测试先关联两张表再用where条件过滤
hive (default) select o.id from bigtable b
join ori o on o.id b.id
where o.id 10;
Time taken: 34.406 seconds, Fetched: 100 row(s)2通过子查询后再关联表
hive (default) select b.id from bigtable b
join (select id from ori where id 10 ) o on b.id o.id;
Time taken: 30.058 seconds, Fetched: 100 row(s)3.8 动态分区调整
关系型数据库中对分区表Insert数据时候数据库自动会根据分区字段的值将数据插入到相应的分区中Hive中也提供了类似的机制即动态分区(Dynamic Partition)只不过使用Hive的动态分区需要进行相应的配置。 1开启动态分区参数设置 1开启动态分区功能默认true开启
hive.exec.dynamic.partitiontrue2设置为非严格模式动态分区的模式默认strict表示必须指定至少一个分区为静态分区nonstrict模式表示允许所有的分区字段都可以使用动态分区。
hive.exec.dynamic.partition.modenonstrict3在所有执行MR的节点上最大一共可以创建多少个动态分区。
hive.exec.max.dynamic.partitions10004在每个执行MR的节点上最大可以创建多少个动态分区。该参数需要根据实际的数据来设定。比如源数据中包含了一年的数据即day字段有365个值那么该参数就需要设置成大于365如果使用默认值100则会报错。
hive.exec.max.dynamic.partitions.pernode1005整个MR Job中最大可以创建多少个HDFS文件。
hive.exec.max.created.files1000006当有空分区生成时是否抛出异常。一般不需要设置。
hive.error.on.empty.partitionfalse2案例实操 需求将ori中的数据按照时间(如20111230000008)插入到目标表ori_partitioned_target的相应分区中。 1创建分区表
create table ori_partitioned(id bigint, time bigint, uid string, keyword string,url_rank int, click_num int, click_url string)
partitioned by (p_time bigint)
row format delimited fields terminated by \t;2加载数据到分区表中
hive (default) load data local inpath /home/test/ds1 into tableori_partitioned partition(p_time20111230000010) ;
hive (default) load data local inpath /home/test/ds2 into table ori_partitioned partition(p_time20111230000011) ;3创建目标分区表
create table ori_partitioned_target(id bigint, time bigint, uid string,keyword string, url_rank int, click_num int, click_url string) PARTITIONED BY (p_time STRING) row format delimited fields terminated by \t;4设置动态分区
set hive.exec.dynamic.partition true;
set hive.exec.dynamic.partition.mode nonstrict;
set hive.exec.max.dynamic.partitions 1000;
set hive.exec.max.dynamic.partitions.pernode 100;
set hive.exec.max.created.files 100000;
set hive.error.on.empty.partition false;hive (default) insert overwrite table ori_partitioned_target partition (p_time)
select id, time, uid, keyword, url_rank, click_num, click_url, p_time from ori_partitioned;6查看目标分区表的分区情况
hive (default) show partitions ori_partitioned_target;4.MR优化
4.1 合理设置Map数
1通常情况下作业会通过input的目录产生一个或者多个map任务。 主要的决定因素有input的文件总个数input的文件大小集群设置的文件块大小。 2是不是map数越多越好 答案是否定的。如果一个任务有很多小文件远远小于块大小128m则每个小文件也会被当做一个块用一个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。 3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。 针对上面的问题2和3我们需要采取两种方式来解决即减少map数和增加map数
4.2 小文件进行合并
在map执行前合并小文件减少map数CombineHiveInputFormat具有对小文件进行合并的功能系统默认的格式。HiveInputFormat没有对小文件合并功能。
set hive.input.format org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;4.3 复杂文件增加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。 增加map的方法为根据computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))blocksize128M公式调整maxSize最大值。让maxSize最大值低于blocksize就可以增加map的个数。 案例实操 1执行查询
hive (default) select count(*) from emp;
Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 12设置最大切片值为100个字节
hive (default) set mapreduce.input.fileinputformat.split.maxsize100;
hive (default) select count(*) from emp;
Hadoop job information for Stage-1: number of mappers: 6; number of reducers: 14.4 合理设置Reduce数
1调整reduce个数方法一 1每个Reduce处理的数据量默认是256MB
hive.exec.reducers.bytes.per.reducer2560000002每个任务最大的reduce数默认为1009
hive.exec.reducers.max10093计算reducer数的公式 Nmin(参数2总输入数据量/参数1) 2调整reduce个数方法二 在hadoop的mapred-default.xml文件中修改 设置每个job的Reduce个数
set mapreduce.job.reduces 15;3reduce个数并不是越多越好 1过多的启动和初始化reduce也会消耗时间和资源 2另外有多少个reduce就会有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 在设置reduce个数的时候也需要考虑这两个原则处理大数据量利用合适的reduce数使单个reduce任务处理数据量大小要合适
5.并行执行
Hive会将一个查询转化成一个或者多个阶段。这样的阶段可以是MapReduce阶段、抽样阶段、合并阶段、limit阶段。或者Hive执行过程中可能需要的其他阶段。默认情况下Hive一次只会执行一个阶段。不过某个特定的job可能包含众多的阶段而这些阶段可能并非完全互相依赖的也就是说有些阶段是可以并行执行的这样可能使得整个job的执行时间缩短。不过如果有更多的阶段可以并行执行那么job可能就越快完成。 通过设置参数hive.exec.parallel值为true就可以开启并发执行。不过在共享集群中需要注意下如果job中并行阶段增多那么集群利用率就会增加。
set hive.exec.paralleltrue; //打开任务并行执行
set hive.exec.parallel.thread.number16; //同一个sql允许最大并行度默认为8。当然得是在系统资源比较空闲的时候才有优势否则没资源并行也起不来。
6.严格模式
Hive提供了一个严格模式可以防止用户执行那些可能意想不到的不好的影响的查询。 通过设置属性hive.mapred.mode值为默认是非严格模式nonstrict 。开启严格模式需要修改hive.mapred.mode值为strict开启严格模式可以禁止3种类型的查询。
propertynamehive.mapred.mode/namevaluestrict/valuedescriptionThe mode in which the Hive operations are being performed. In strict mode, some risky queries are not allowed to run. They include:Cartesian Product.No partition being picked up for a query.Comparing bigints and strings.Comparing bigints and doubles.Orderby without limit.
/description
/property1)对于分区表除非where语句中含有分区字段过滤条件来限制范围否则不允许执行。换句话说就是用户不允许扫描所有分区。进行这个限制的原因是通常分区表都拥有非常大的数据集而且数据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表。 2)对于使用了order by语句的查询要求必须使用limit语句。因为order by为了执行排序过程会将所有的结果数据分发到同一个Reducer中进行处理强制要求用户增加这个LIMIT语句可以防止Reducer额外执行很长一段时间。 3)限制笛卡尔积的查询。对关系型数据库非常了解的用户可能期望在执行JOIN查询的时候不使用ON语句而是使用where语句这样关系数据库的执行优化器就可以高效地将WHERE语句转化成那个ON语句。不幸的是Hive并不会执行这种优化因此如果表足够大那么这个查询就会出现不可控的情况。
7.JVM重用
JVM重用是Hadoop调优参数的内容其对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task特别多的场景这类场景大多数执行时间都很短。 Hadoop的默认配置通常是使用派生JVM来执行map和Reduce任务的。这时JVM的启动过程可能会造成相当大的开销尤其是执行的job包含有成百上千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mapred-site.xml文件中进行配置。通常在10-20之间具体多少需要根据具体业务场景测试得出。
propertynamemapreduce.job.jvm.numtasks/namevalue10/valuedescriptionHow many tasks to run per jvm. If set to -1, there isno limit. /description
/property这个功能的缺点是开启JVM重用将一直占用使用到的task插槽以便进行重用直到任务完成后才能释放。如果某个“不平衡的”job中有某几个reduce task执行的时间要比其他Reduce task消耗的时间多的多的话那么保留的插槽就会一直空闲着却无法被其他的job使用直到所有的task都结束了才会释放。
8.推测执行
在分布式集群环境下因为程序Bug包括Hadoop本身的bug负载不均衡或者资源分布不均等原因会造成同一个作业的多个任务之间运行速度不一致有些任务的运行速度可能明显慢于其他任务比如一个作业的某个任务进度只有50%而其他所有任务已经运行完毕则这些任务会拖慢作业的整体执行进度。为了避免这种情况发生Hadoop采用了推测执行Speculative Execution机制它根据一定的法则推测出“拖后腿”的任务并为这样的任务启动一个备份任务让该任务与原始任务同时处理同一份数据并最终选用最先成功运行完成任务的计算结果作为最终结果。
设置开启推测执行参数Hadoop的mapred-site.xml文件中进行配置
propertynamemapreduce.map.speculative/namevaluetrue/valuedescriptionIf true, then multiple instances of some map tasks may be executed in parallel./description
/propertypropertynamemapreduce.reduce.speculative/namevaluetrue/valuedescriptionIf true, then multiple instances of some reduce tasks may be executed in parallel./description
/property不过hive本身也提供了配置项来控制reduce-side的推测执行 propertynamehive.mapred.reduce.tasks.speculative.execution/namevaluetrue/valuedescriptionWhether speculative execution for reducers should be turned on. /description/property关于调优这些推测执行变量还很难给一个具体的建议。如果用户对于运行时的偏差非常敏感的话那么可以将这些功能关闭掉。如果用户因为输入数据量很大而需要执行长时间的map或者Reduce task的话那么启动推测执行造成的浪费是非常巨大大。
10.执行计划Explain
1基本语法
EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query2案例实操 1查看下面这条语句的执行计划
hive (default) explain select * from emp;
hive (default) explain select deptno, avg(sal) avg_sal from emp group by deptno;2查看详细执行计划
hive (default) explain extended select * from emp;
hive (default) explain extended select deptno, avg(sal) avg_sal from emp group by deptno;
