Hive 企业调优

大多数的 Hadoop Job 是需要 Hadoop 提供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。
- hive.exec.mode.local.auto:true

第一种方式：查询之前，过滤Null
- select n.* from (select * from nullidtable where id is not null) n left join bigtable o on n.id = o.id;
第二种方式：给Null的赋值
- 需要避免数据倾斜，所以使用rand()；
- select n.* from nullidtable n full join bigtable o on case when n.id is null then concat('hive', rand()) else n.id end = o.id;

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。
开启MapJoin参数设置：
- 开启自动选择 MapJoin:set hive.auto.convert.join=true;,默认为true;
- 设置大表小表的阈值(默认25M 以下就是小表): set hive.mapjoin.smalltable.filesize=25000000;
MapJoin 工作机制:

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,就可能发生数据倾斜;
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现在 Map 端进行部分聚合,最后在 Reduce 端得出最终结果。
开启 Map 端聚合参数设置:
- 是否在 Map 端进行聚合,默认为true:hive.map.aggr=true;
- 在 Map 端进行聚合操作的条目数目:hive.groupby.mapaggr.checkinterval=100000;
- 有数据倾斜的时候,进行负载均衡:hive.groupby.skewindata=true;

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 使用时,先 GROUP BY 再 COUNT 的方式替换;

关系型数据库中,对分区表Insert数据的时候,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);
开启动态分区参数设置:
- 开启动态分区功能,默认为true:hive.exec.dynamic.partition=true;
- 设置为非严格模式(默认为strict,即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.mode=nonstrict;
- 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.partitions=1000;
- 在每个执行 MR 的节点上,最大可以创建多少个动态分区:hive.exec.max.dynamic.partitions.pernode=100;
- 整个 MR Job中,最大可以创建多少个HDFS文件:hive.exec.max.created.files=100000;
- 当有空分区生成时,是否抛出异常:hive.error.on.empty.partition=false;

转载于:https://www.cnblogs.com/linkworld/p/11066416.html