9、Hive优化

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

 <property>
    <name>hive.fetch.task.conversion</name>
    <value>more</value>
    <description>
      Expects one of [none, minimal, more].
      Some select queries can be converted to single FETCH task minimizing laten
cy.
      Currently the query should be single sourced not having any subquery and s
hould not have
      any aggregations or distincts (which incurs RS), lateral views and joins.
      0. none : disable hive.fetch.task.conversion
      1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only
      2. more    : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual c
olumns)
    </description>
  </property>

进行如下实验

  1. 把hive.fetch.task.conversion设置成none
    实行查询语句,都会实行mapreduce程序
set hive.fetch.task.conversion=none;
select * from emp;
select ename from emp;
select ename from emp limit 3;
  1. 把hive.fetch.task.conversion设置成more
    实行查询语句,如下查询方式都不会实行mapreduce程序
set hive.fetch.task.conversion=more;
select * from emp;
select ename from emp;
select ename from emp limit 3;

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,为查询触发实行任务消耗的时间可能会比实际job的实行时间要多的多。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,实行时间可以明显被缩短。
相关的参数默认值如下

 <property>
    <name>hive.exec.mode.local.auto</name>
    <value>false</value>
    <description>Let Hive determine whether to run in local mode automatically</description>
  </property>
  <property>
    <name>hive.exec.mode.local.auto.inputbytes.max</name>
    <value>134217728</value>
    <description>When hive.exec.mode.local.auto is true, input bytes should less than this for local mode.</d
escription>
  </property>
  <property>
    <name>hive.exec.mode.local.auto.input.files.max</name>
    <value>4</value>
    <description>When hive.exec.mode.local.auto is true, the number of tasks should less than this for local
mode.</description>
  </property>

进行如下实验,运行select * from emp cluster by deptno;
默认的模式下运行,结果如下


默认运行时间.png

开启本地模式运行,结果如下
set hive.exec.mode.local.auto=true;


本地模式.png

表的优化

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。
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

  1. 数据准备


    小表和大表.png
  2. 创建大表、小表和join后表语句
-- 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';
  1. 导入数据
load data local inpath '/opt/module/datas/bigtable' into table bigtable;
load data local inpath '/opt/module/datas/smalltable' into table smalltable;
  1. 关闭mapjoin功能(默认是打开的)
    set hive.auto.convert.join = false;
<property>
    <name>hive.auto.convert.join</name>
    <value>true</value>
    <description>Whether Hive enables the optimization about converting common join into mapjoin based on the
 input file size</description>
  </property>
  1. 实行小表join大表
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;
小表join大表.png
  1. 实行大表join小表
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;
大表join小表.png

大表Join大表

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。此时大家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,大家需要在SQL语句中进行过滤。例如key对应的字段为空
案例

  1. 数据准备


    数据准备.png
  2. 配置历史服务器
    在运行ResourceManager服务的服务器下进行如下配置,修改mapred-site.xml文件,添加如下内容
<property>
                <name>mapreduce.jobhistory.address</name>
                <value>hadoop-101:10020</value>
        </property>
        
        <property>
                <name>mapreduce.jobhistory.webapp.address</name>
                <value>hadoop-101:19888</value>
        </property>
  1. 启用日志聚集功能
    在hadoop的每台服务器上,做如下配置,修改yarn-site.xml
 <!-- 日志聚集功能使能 -->
        <property>
                <name>yarn.log-aggregation-enable</name>
                <value>true</value>
        </property>

        <!-- 日志保留时间设置7天 -->
        <property>
                <name>yarn.log-aggregation.retain-seconds</name>
                <value>604800</value>
        </property>
  1. 重启hdfs、yarn,启动历史服务器功能
    stop-yarn.sh
    stop-dfs.sh
    start-yarn.sh
    start-dfs.sh
    mr-jobhistory-daemon.sh start historyserver
  2. 创建相关表
-- 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';

  1. 导入数据
load data local inpath '/opt/module/datas/ori' into table ori;
load data local inpath '/opt/module/datas/nullid' into table nullidtable;
  1. 测试不过滤空id
    insert overwrite table jointable select n.* from nullidtable n left join ori o on n.id = o.id;


    不过滤空值.png
  2. 测试过滤空id
    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;


    过滤空值.png

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,此时大家可以表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
案例

  1. 不随机分布空null值
    1). 设置5个reduce个数
    set mapreduce.job.reduces = 5;
    2). JOIN两张表
insert overwrite table jointable select n.* from nullidtable n left join ori b on n.id = b.id;
没有随机分配.png

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

  1. 随机分布空null值
    1) . 设置5个reduce个数
    set mapreduce.job.reduces = 5;
    2). JOIN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;
空值随机分配.png

可以看出来,消除了数据倾斜,负载均衡reducer的资源消耗

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
相关参数设置

  1. 设置自动选择Mapjoin
    set hive.auto.convert.join = true; 默认为true
  2. 大表小表的阈值设置
    set hive.mapjoin.smalltable.filesize=25000000;
    默认配置在配置文件中如下
 <property>
    <name>hive.auto.convert.join</name>
    <value>true</value>
    <description>Whether Hive enables the optimization about converting common join into mapjoin based on the
 input file size</description>
  </property>
<property>
    <name>hive.mapjoin.smalltable.filesize</name>
    <value>25000000</value>
    <description>
      The threshold for the input file size of the small tables; if the file size is smaller
      than this threshold, it will try to convert the common join into map join
    </description>
  </property>

MapJoin原理如下


hive mapjoin原理.png

MapJoin相关案例实操在大表join小表和小表join大小已经做过了,这里就不再重复了

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。
相关参数设置

  1. 是否在Map端进行聚合,默认为True
    hive.map.aggr = true
  2. 在Map端进行聚合操作的条目数目
    hive.groupby.mapaggr.checkinterval = 100000
  3. 有数据倾斜的时候进行负载均衡(默认是false)
    hive.groupby.skewindata = true
    默认配置在配置文件中如下
<property>
    <name>hive.map.aggr</name>
    <value>true</value>
    <description>Whether to use map-side aggregation in Hive Group By queries</description>
  </property>
<property>
    <name>hive.groupby.mapaggr.checkinterval</name>
    <value>100000</value>
    <description>Number of rows after which size of the grouping keys/aggregation classes is performed</descr
iption>
  </property>
<property>
    <name>hive.groupby.skewindata</name>
    <value>false</value>
    <description>Whether there is skew in data to optimize group by queries</description>
  </property>

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。

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

  1. 设置5个reduce个数
    set mapreduce.job.reduces = 5;
  2. 实行去重id查询
select count(distinct id) from bigtable;

结果如下


直接count distribute.png
  1. 采用GROUP by去重id
select count(id) from (select id from bigtable group by id) a;

结果如下


先group by 再count.png

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

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

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
案例

  1. 先关联两张表,再用where条件过滤
select o.id from bigtable b join ori o on o.id = b.id where o.id <= 10;
  1. 通过子查询,再关联表
select b.id from bigtable b join (select * from ori where id < 10) o on b.id = o.id;

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. 开启动态分区功能(默认true,开启)
    hive.exec.dynamic.partition=true
  2. 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.mode=nonstrict
  3. 在所有实行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
  4. 在每个实行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.pernode=100
  5. 整个MR Job中,最大可以创建多少个HDFS文件。
    hive.exec.max.created.files=100000
  6. 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.partition=false
    上述信息在默认文件的配置如下
<property>
    <name>hive.mapred.reduce.tasks.speculative.execution</name>
    <value>true</value>
    <description>Whether speculative execution for reducers should be turned on. </description>
  </property>
  <property>
    <name>hive.exec.counters.pull.interval</name>
    <value>1000</value>
    <description>
      The interval with which to poll the JobTracker for the counters the running job.
      The smaller it is the more load there will be on the jobtracker, the higher it is the less granular the
 caught will be.
    </description>
  </property>
  <property>
    <name>hive.exec.dynamic.partition</name>
    <value>true</value>
    <description>Whether or not to allow dynamic partitions in DML/DDL.</description>
  </property>
  <property>
    <name>hive.exec.dynamic.partition.mode</name>
    <value>strict</value>
    <description>
      In strict mode, the user must specify at least one static partition
      in case the user accidentally overwrites all partitions.
      In nonstrict mode all partitions are allowed to be dynamic.
    </description>
  </property>
  <property>
    <name>hive.exec.max.dynamic.partitions</name>
    <value>1000</value>
    <description>Maximum number of dynamic partitions allowed to be created in total.</description>
  </property>
  <property>
    <name>hive.exec.max.dynamic.partitions.pernode</name>
    <value>100</value>
    <description>Maximum number of dynamic partitions allowed to be created in each mapper/reducer node.</des
cription>
 </property>
  <property>
    <name>hive.exec.max.created.files</name>
    <value>100000</value>
    <description>Maximum number of HDFS files created by all mappers/reducers in a MapReduce job.</descriptio
n>
  </property>
<property>
    <name>hive.error.on.empty.partition</name>
    <value>false</value>
    <description>Whether to throw an exception if dynamic partition insert generates empty results.</descript
ion>
  </property>

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

-- 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';
-- 加载数据到分区表中
load data local inpath '/opt/module/datas/ds1' into table ori_partitioned partition(p_time='20111230000010') ;
load data local inpath '/opt/module/datas/ds2' into table ori_partitioned partition(p_time='20111230000011') ;
-- 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';
-- 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;
-- 上传数据
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;
-- 查看目标分区表的分区情况
show partitions ori_partitioned_target;

分桶

见之前文章,/p/406c2f15dc0b

分区

见之前文章,/p/0e7efeace775

数据倾斜

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,同时可实行的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,大家需要采取两种方式来解决:即减少map数和增加map数

小文件进行合并

在map实行前合并小文件,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

 <property>
    <name>hive.input.format</name>
    <value>org.apache.hadoop.hive.ql.io.CombineHiveInputFormat</value>
    <description>The default input format. Set this to HiveInputFormat if you encounter problems with Combine
HiveInputFormat.</description>
  </property>

复杂文件增加map数

当input的文件都很大,任务逻辑复杂,map实行非常慢的时候,可以考虑增加Map数,来使得每个map处理的数据量减少,从而提高任务的实行效率。
增加map的方法为,根据computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M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

  1. 实行查询
select count(*) from emp;
增加map前.png
  1. 设置最大切片值为50个字节
set mapreduce.input.fileinputformat.split.maxsize=50;
select count(*) from emp;
增加map后.png

合理设置Reduce数

调整reduce个数方法一

  1. Reduce处理的数据量默认是256MB
    hive.exec.reducers.bytes.per.reducer=256000000
  2. 每个任务最大的reduce数,默认为1009
    hive.exec.reducers.max=1009
  3. 计算reducer数的公式
    N=min(参数2,总输入数据量/参数1)
    上面两个参数的默认配置如下
 <property>
    <name>hive.exec.reducers.bytes.per.reducer</name>
    <value>256000000</value>
    <description>size per reducer.The default is 256Mb, i.e if the input size is 1G, it will use 4 reducers.<
/description>
  </property>
  <property>
    <name>hive.exec.reducers.max</name>
    <value>1009</value>
    <description>
      max number of reducers will be used. If the one specified in the configuration parameter mapred.reduce.
tasks is
      negative, Hive will use this one as the max number of reducers when automatically determine number of r
educers.
    </description>
  </property>

调整reduce个数方法二

在hadoop的mapred-default.xml文件中修改,设置设置每个job的Reduce个数
set mapreduce.job.reduces = 15;

reduce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;

并行实行

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实行过程中可能需要的其他阶段。默认情况下,Hive一次只会实行一个阶段。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实行的,这样可能使得整个job的实行时间缩短。不过,如果有更多的阶段可以并行实行,那么job可能就越快完成
通过设置参数hive.exec.parallel值为true,就可以开启并发实行。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
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
set hive.exec.parallel=true; //打开任务并行实行
set hive.exec.parallel.thread.number=16; //同一个sql允许最大并行度,默认为8。

<property>
    <name>hive.exec.parallel</name>
    <value>false</value>
    <description>Whether to execute jobs in parallel</description>
  </property>
  <property>
    <name>hive.exec.parallel.thread.number</name>
    <value>8</value>
    <description>How many jobs at most can be executed in parallel</description>
  </property>

严格模式

Hive提供了一个严格模式,可以防止用户实行那些可能意向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

  1. 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,否则不允许实行。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为了实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额外实行很长一段时间。
  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希望在实行JOIN查询的时候不使用ON语句而是使用where语句,这样关系数据库的实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并不会实行这种优化,因此,如果表足够大,那么这个查询就会出现不可控的情况。
<property>
    <name>hive.mapred.mode</name>
    <value>nonstrict</value>
    <description>
      The 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>
  </property>

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,这类场景大多数实行时间都很短。
Hadoop的默认配置通常是使用派生JVM来实行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,尤其是实行的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
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实行的时间要比其他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

<property>
  <name>mapreduce.job.jvm.numtasks</name>
  <value>10</value>
  <description>How many tasks to run per jvm. If set to -1, there is
  no limit. 
  </description>
</property>

推测实行

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实行进度。为了避免这种情况发生,Hadoop采用了推测实行(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。
设置开启推测实行参数:Hadoop的mapred-site.xml文件中进行配置

<property>
  <name>mapreduce.map.speculative</name>
  <value>true</value>
  <description>If true, then multiple instances of some map tasks 
               may be executed in parallel.</description>
</property>

<property>
  <name>mapreduce.reduce.speculative</name>
  <value>true</value>
  <description>If 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的推测实行

  <property>
    <name>hive.mapred.reduce.tasks.speculative.execution</name>
    <value>true</value>
    <description>Whether speculative execution for reducers should be turned on. </description>
  </property>

关于调优这些推测实行变量,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实行长时间的map或者Reduce task的话,那么启动推测实行造成的浪费是非常巨大大

压缩

参考之前的文章,/p/0a83ea228c77

实行计划(Explain)

  1. 基本语法
    EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query
  2. 案例实操
    (1). 查看下面这条语句的实行计划
explain select * from emp;
explain select deptno, avg(sal) avg_sal from emp group by deptno;

(2). 查看详细实行计划

explain extended select * from emp;
explain extended select deptno, avg(sal) avg_sal from emp group by deptno;

推荐阅读更多精彩内容

  • Hive优化 今天的主要内容——Hive优化 Fetch抓取Hive 中对某些情况的查询可以不必使用 MapRed...
    须臾之北阅读 913评论 0赞 3
  • hive.ddl.output.format:hive的ddl语句的输出格式,默认是text,纯文本,还有json...
    博弈史密斯阅读 1,659评论 0赞 6
  • 1,一个Hive查询生成多个Map Reduce Job,一个Map Reduce Job又有Map,Reduce...
    scottzcw阅读 955评论 0赞 4
  • 数据仓库中的SQL性能优化(Hive篇) - 新萄京娱乐网址2492777 http://www.jianshu.com/p/808a5...
    葡萄喃喃呓语阅读 3,892评论 0赞 31
  • 写晨读,最重要的在于吸取。那么大家应该怎样选出那些内容呢?不妨试试“SAMSUNG”筛选法、夹心饼干式晨读法以及反复听读筛选...
    叫我哆啦美阅读 193评论 0赞 8
  • 西寺沟一日游 很早定好了座位,和一行陌生人开始了一天的旅途,韩姐,娇娇,壮壮,亢亢,六个人的行程,一堆人的旅行,我...
    木西草丁阅读 62评论 0赞 0
  • 准备工作 一、 实现方法: 二、给一段全是小写字母的字符串,将其返回为全是大写的形式,这里需要上面的find函数,...
    没头脑很不高兴阅读 256评论 0赞 2
  • 水边楼上花边叶【行知】 凤尾亭前燕尾枝【依岚听雪】 ————————————- 杜鹃花绽杜鹃唱【龍 雨】 蝴蝶梦回...
    依嵐聽雪阅读 72评论 0赞 0
  • 人们都说时光过得好快 我却常听见时钟的天籁 它嘀嘀嗒嗒不停的轮回 刻画了你我远行的身影 雕琢了青春张扬的故事 从小...
    Yi_知了阅读 305评论 0赞 0