Hadoop集群_第14期副刊_Hive性能优化_V1.0.pdfVIP

创建时间：2012/3/29 修改时间：2012/3/29 修改次数：0 Hadoop 集群（第14 期副刊） ——Hive 性能优化 1、性能低下根源 Hive 性能优化时，把HiveQL 当做Map/Reduce 程序来读，即从Map/Reduce 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 （Real Application Cluster ）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pariton 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 联多次汇总，产生十几个jobs ，将会须要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。Map/Reduce 作业初始化的时间是比较耗费时间资 源的一个部分。  在使用sum，count，max ，min 等函数时，Hadoop Map 端对表中数据的汇总去重， 能有效的解决数据倾斜问题。  count （distinct ）效率较低，因为容易产生数据倾斜问题，如果是多count （distinct ） 效率更低。  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。 结论：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。 2 、从配置角度优化 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。 2.1 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： Select a,b From Q Where e<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。 河北工业大学——软件工程与理论实验室 整理：虾皮 1 创建时间：2012/3/29 修改时间：2012/3/29 修改次数：0 列裁剪所对应的参数项为：hive.optimize.cp=true （默认值为真） 2.2 分区裁剪 可以在查询的过程中减少不必要的分区。 例如，若有以下查询： Select * From (Select a1,Count(1) From T Group By a1) subq Where subq.prtn=100; Select * From T1 Join (Select * From T2) subq On (T1.a1=subq.a2) Where subq.prtn=100; 此查询语句若将“subq.prtn=100 ”条件放入子查询中更为高效，可以减少读入的分区 数目。 Hive 自动执行这种裁剪优化。 分区参数为：hive.optimize.pruner=true （默认值为真） 2.3 Join 操作 在编写带有join 操作的代码语句时，应该将条目少的表/子查询放在Join 操作符的左边。 因为在Reduce 阶段，位于Join 操作符左边的表的内容会被加载进内存，载入条目较少的表 可以有效减少OOM （out of memory ）即内存溢出。所以对于同一个key 来说，对应的value 值小的放前，大的放后，这便是“小表放前