大数据性能优化之Hive优化VIP免费

Hive性能优化1.概述本人在工作中总结Hive的常用优化手段和在工作中使用Hive出现的问题。下面开始本篇文章的优化介绍。2.介绍首先，我们来看看hadoop的计算框架特性，在此特性下会衍生哪些问题？数据量大不是问题，数据倾斜是个问题。jobs数比较多的作业运行效率相对比较低，比如即使有几百行的表，如果多次关联多次汇总，产生十几个jobs，耗时很长。原因是mapreduce作业初始化的时间是比较长的。sum,count,max,min等UDAF,不怕数据倾斜问题,hadoop在map端的汇总合并优化，使数据倾斜不成问题。count(distinct),在数据量大的情况下，效率较低，如果是多count(distinct)效率更低，因为count(distinct)是按groupby字段分组，按distinct字段排序，一般这种分布方式是很倾斜的。举个例子：比如男uv,女uv,像淘宝一天30亿的pv，如果按性别分组，分配2个reduce,每个reduce处理15亿数据。面对这些问题，我们能有哪些有效的优化手段呢？下面列出一些在工作有效可行的优化手段：好的模型设计事半功倍。解决数据倾斜问题。减少job数。设置合理的mapreduce的task数，能有效提升性能。(比如，10w+级别的计算，用160个reduce，那是相当的浪费,1个足够)。了解数据分布，自己动手解决数据倾斜问题是个不错的选择。sethive.groupby.skewindata二true;这是通用的算法优化，但算法优化有时不能适应特定业务背景，开发人员了解业务，了解数据，可以通过业务逻辑精确有效的解决数据倾斜问题。数据量较大的情况下，慎用count(distinet),count(distinct)容易产生倾斜问题。对小文件进行合并,是行至有效的提高调度效率的方法,假如所有的作业设置合理的文件数,对云梯的整体调度效率也会产生积极的正向影响。优化时把握整体,单个作业最优不如整体最优。而接下来,我们心中应该会有一些疑问,影响性能的根源是什么？3.性能低下的根源hive性能优化时，把HiveQL当做M/R程序来读，即从M/R的运行角度来考虑优化性能，从更底层思考如何优化运算性能，而不仅仅局限于逻辑代码的替换层面。RAC(RealApplicationCluster)真正应用集群就像一辆机动灵活的小货车，响应快；Hadoop就像吞吐量巨大的轮船，启动开销大，如果每次只做小数量的输入输出，利用率将会很低。所以用好Hadoop的首要任务是增大每次任务所搭载的数据量。Hadoop的核心能力是parition和sort，因而这也是优化的根本。观察Hadoop处理数据的过程，有几个显著的特征：数据的大规模并不是负载重点，造成运行压力过大是因为运行数据的倾斜。jobs数比较多的作业运行效率相对比较低，比如即使有几百行的表，如果多次关联对此汇总，产生几十个jobs，将会需要30分钟以上的时间且大部分时间被用于作业分配，初始化和数据输出。M/R作业初始化的时间是比较耗时间资源的一个部分。在使用SUM,COUNT，MAX，MIN等UDAF函数时，不怕数据倾斜问题，Hadoop在Map端的汇总合并优化过，使数据倾斜不成问题。COUNT(DISTINCT)在数据量大的情况下，效率较低，如果多COUNT(DISTINCT)效率更低，因为COUNT(DISTINCT)是按GROUPBY字段分组，按DISTINCT字段排序，一般这种分布式方式是很倾斜的；比如:男UV,女UV,淘宝一天30亿的PV,如果按性别分组，分配2个reduce,每个reduce处理15亿数据。数据倾斜是导致效率大幅降低的主要原因,可以采用多一次Map/Reduce的方法,避免倾斜。最后得出的结论是：避实就虚,用job数的增加,输入量的增加,占用更多存储空间,充分利用空闲CPU等各种方法,分解数据倾斜造成的负担。4.配置角度优化我们知道了性能低下的根源，同样，我们也可以从Hive的配置解读去优化。Hive系统内部已针对不同的查询预设定了优化方法，用户可以通过调整配置进行控制,以下举例介绍部分优化的策略以及优化控制选项。4.1列裁剪Hive在读数据的时候，可以只读取查询中所需要用到的列，而忽略其它列。例如，若有以下查询：SELECTa,bFROMqWHEREe<10;在实施此项查询中，Q表有5列（a，b，c，d，e），Hive只读取查询逻辑中真实需要的3列a、b、e，而忽略列c，d；这样做节省了读取开销，中间表存储开销和数据整合开销。裁剪所对应的参数项为：hive.optimize.cp二true(默认值为真)4.2分区裁剪可以在查询的过...