2020-08-21 19:30发布
大数据HIVE优化有哪些方案?
一、整体架构优化现在hive的整体框架如下,计算引擎不仅仅支持Map/Reduce,并且还支持Tez、Spark等。根据不同的计算引擎又可以使用不同的资源调度和存储系统。 整体架构优化点:1、根据不同业务需求进行日期分区,并执行类型动态分区。相关参数设置:0.14中默认hive.exec.dynamic.partition=ture2、为了减少磁盘存储空间以及I/O次数,对数据进行压缩相关参数设置:job输出文件按照BLOCK以Gzip方式进行压缩。
[AppleScript] 纯文本查看 复制代码
?
mapreduce.output.fileoutputformat.compress
=
true
mapreduce.output.fileoutputformat.compress.type
BLOCK
mapreduce.output.fileoutputformat.compress.codec
org.apache.hadoop.io.compress.GzipCodec
map输出结果也以Gzip进行压缩。
mapreduce.map.output.compress
mapreduce.map.output.compress.codec
对hive输出结果和中间结果进行压缩。
hive.exec.compress.output
hive.exec.compress.intermediate
3、hive中间表以SequenceFile保存,可以节约序列化和反序列化的时间相关参数设置:hive.query.result.fileformat=SequenceFile4、yarn优化,在此不再展开,后面专门介绍。二、MR阶段优化hive操作符有: 执行流程为: reduce切割算法:相关参数设置,默认为:hive.exec.reducers.max=999hive.exec.reducers.bytes.per.reducer=1G reduce task num=min{reducers.max,input.size/bytes.per.reducer},可以根据实际需求来调整reduce的个数。三、JOB优化1、本地执行默认关闭了本地执行模式,小数据可以使用本地执行模式,加快执行速度。相关参数设置:hive.exec.mode.local.auto=true 默认本地执行的条件是,hive.exec.mode.local.auto.inputbytes.max=128MB, hive.exec.mode.local.auto.tasks.max=4,reduce task最多1个。 性能测试:数据量(万) 操作 正常执行时间(秒) 本地执行时间(秒)170 group by 36 1680 count 34 62、mapjoin默认mapjoin是打开的, hive.auto.convert.join.noconditionaltask.size=10MB装载到内存的表必须是通过scan的表(不包括group by等操作),如果join的两个表都满足上面的条件,/*mapjoin*/指定表格不起作用,只会装载小表到内存,否则就会选那个满足条件的scan表。四、SQL优化整体的优化策略如下:
去除查询中不需要的column
Where条件判断等在TableScan阶段就进行过滤
利用Partition信息,只读取符合条件的Partition
Map端join,以大表作驱动,小表载入所有mapper内存中
调整Join顺序,确保以大表作为驱动表
对于数据分布不均衡的表Group by时,为避免数据集中到少数的reducer上,分成两个map-reduce阶段。第一个阶段先用Distinct列进行shuffle,然后在reduce端部分聚合,减小数据规模,第二个map-reduce阶段再按group-by列聚合。
在map端用hash进行部分聚合,减小reduce端数据处理规模。
五、平台优化1、hive on tez 2、spark SQL大趋势
最多设置5个标签!
一、整体架构优化
现在hive的整体框架如下,计算引擎不仅仅支持Map/Reduce,并且还支持Tez、Spark等。根据不同的计算引擎又可以使用不同的资源调度和存储系统。
整体架构优化点:
1、根据不同业务需求进行日期分区,并执行类型动态分区。
相关参数设置:
0.14中默认hive.exec.dynamic.partition=ture
2、为了减少磁盘存储空间以及I/O次数,对数据进行压缩
相关参数设置:
job输出文件按照BLOCK以Gzip方式进行压缩。
[AppleScript] 纯文本查看 复制代码
?
mapreduce.output.fileoutputformat.compress
=
true
mapreduce.output.fileoutputformat.compress.type
=
BLOCK
mapreduce.output.fileoutputformat.compress.codec
=
org.apache.hadoop.io.compress.GzipCodec
map输出结果也以Gzip进行压缩。
[AppleScript] 纯文本查看 复制代码
?
mapreduce.map.output.compress
=
true
mapreduce.map.output.compress.codec
=
org.apache.hadoop.io.compress.GzipCodec
对hive输出结果和中间结果进行压缩。
[AppleScript] 纯文本查看 复制代码
?
hive.exec.compress.output
=
true
hive.exec.compress.intermediate
=
true
3、hive中间表以SequenceFile保存,可以节约序列化和反序列化的时间
相关参数设置:
hive.query.result.fileformat=SequenceFile
4、yarn优化,在此不再展开,后面专门介绍。
二、MR阶段优化
hive操作符有:
执行流程为:
reduce切割算法:
相关参数设置,默认为:
hive.exec.reducers.max=999
hive.exec.reducers.bytes.per.reducer=1G
reduce task num=min{reducers.max,input.size/bytes.per.reducer},可以根据实际需求来调整reduce的个数。
三、JOB优化
1、本地执行
默认关闭了本地执行模式,小数据可以使用本地执行模式,加快执行速度。
相关参数设置:
hive.exec.mode.local.auto=true
默认本地执行的条件是,hive.exec.mode.local.auto.inputbytes.max=128MB, hive.exec.mode.local.auto.tasks.max=4,reduce task最多1个。 性能测试:
数据量(万) 操作 正常执行时间(秒) 本地执行时间(秒)
170 group by 36 16
80 count 34 6
2、mapjoin
默认mapjoin是打开的, hive.auto.convert.join.noconditionaltask.size=10MB
装载到内存的表必须是通过scan的表(不包括group by等操作),如果join的两个表都满足上面的条件,/*mapjoin*/指定表格不起作用,只会装载小表到内存,否则就会选那个满足条件的scan表。
四、SQL优化
整体的优化策略如下:
去除查询中不需要的column
Where条件判断等在TableScan阶段就进行过滤
利用Partition信息,只读取符合条件的Partition
Map端join,以大表作驱动,小表载入所有mapper内存中
调整Join顺序,确保以大表作为驱动表
对于数据分布不均衡的表Group by时,为避免数据集中到少数的reducer上,分成两个map-reduce阶段。第一个阶段先用Distinct列进行shuffle,然后在reduce端部分聚合,减小数据规模,第二个map-reduce阶段再按group-by列聚合。
在map端用hash进行部分聚合,减小reduce端数据处理规模。
五、平台优化
1、hive on tez
2、spark SQL大趋势
一周热门 更多>