HiveSQL常用優(yōu)化方法全面總結(jié)

Hive作為大數(shù)據(jù)領(lǐng)域常用的數(shù)據(jù)倉庫組件，在平時設(shè)計和查詢時要特別注意效率。影響Hive效率的幾乎從不是數(shù)據(jù)量過大，而是數(shù)據(jù)傾斜、數(shù)據(jù)冗余、job或I/O過多、MapReduce分配不合理等等。對Hive的調(diào)優(yōu)既包含對HiveQL語句本身的優(yōu)化，也包含Hive配置項(xiàng)和MR方面的調(diào)整。

目錄

• 列裁剪和分區(qū)裁剪

• 謂詞下推

• sort by代替order by

• group by代替distinct

• group by配置調(diào)整

• map端預(yù)聚合

• 傾斜均衡配置項(xiàng)

• join基礎(chǔ)優(yōu)化

• build table（小表）前置

• 多表join時key相同

• 利用map join特性

• 分桶表map join

• 傾斜均衡配置項(xiàng)

• 優(yōu)化SQL處理join數(shù)據(jù)傾斜

• 空值或無意義值

• 單獨(dú)處理傾斜key

• 不同數(shù)據(jù)類型

• build table過大

• MapReduce優(yōu)化

• 調(diào)整mapper數(shù)

• 調(diào)整reducer數(shù)

• 合并小文件

• 啟用壓縮

• JVM重用

• 并行執(zhí)行與本地模式

• 嚴(yán)格模式

• 采用合適的存儲格式

-??列裁剪和分區(qū)裁剪?-

最基本的操作。所謂列裁剪就是在查詢時只讀取需要的列，分區(qū)裁剪就是只讀取需要的分區(qū)。以我們的日歷記錄表為例：

select uid,event_type,record_data
from calendar_record_log
where pt_date >= 20190201 and pt_date <= 20190224
and status = 0;

當(dāng)列很多或者數(shù)據(jù)量很大時，如果select *或者不指定分區(qū)，全列掃描和全表掃描效率都很低。
Hive中與列裁剪優(yōu)化相關(guān)的配置項(xiàng)是hive.optimize.cp，與分區(qū)裁剪優(yōu)化相關(guān)的則是hive.optimize.pruner，默認(rèn)都是true。在HiveQL解析階段對應(yīng)的則是ColumnPruner邏輯優(yōu)化器。

-??謂語下推?-

在關(guān)系型數(shù)據(jù)庫如MySQL中，也有謂詞下推（Predicate Pushdown，PPD）的概念。它就是將SQL語句中的where謂詞邏輯都盡可能提前執(zhí)行，減少下游處理的數(shù)據(jù)量。
例如以下HiveQL語句：

select a.uid,a.event_type,b.topic_id,b.title
from calendar_record_log a
left outer join (
  select uid,topic_id,title from forum_topic
  where pt_date = 20190224 and length(content) >= 100
) b on a.uid = b.uid
where a.pt_date = 20190224 and status = 0;

對forum_topic做過濾的where語句寫在子查詢內(nèi)部，而不是外部。Hive中有謂詞下推優(yōu)化的配置項(xiàng)hive.optimize.ppd，默認(rèn)值true，與它對應(yīng)的邏輯優(yōu)化器是PredicatePushDown。該優(yōu)化器就是將OperatorTree中的FilterOperator向上提，見下圖。

圖來自https://tech.meituan.com/2014/02/12/hive-sql-to-mapreduce.html

上面的鏈接中是一篇講解HiveQL解析與執(zhí)行過程的好文章，前文提到的優(yōu)化器、OperatorTree等概念在其中也有詳細(xì)的解釋，非常推薦。

sort by代替order by

HiveQL中的order by與其他SQL方言中的功能一樣，就是將結(jié)果按某字段全局排序，這會導(dǎo)致所有map端數(shù)據(jù)都進(jìn)入一個reducer中，在數(shù)據(jù)量大時可能會長時間計算不完。
如果使用sort by，那么還是會視情況啟動多個reducer進(jìn)行排序，并且保證每個reducer內(nèi)局部有序。為了控制map端數(shù)據(jù)分配到reducer的key，往往還要配合distribute by一同使用。如果不加distribute by的話，map端數(shù)據(jù)就會隨機(jī)分配到reducer。
舉個例子，假如要以UID為key，以上傳時間倒序、記錄類型倒序輸出記錄數(shù)據(jù)：

select uid,upload_time,event_type,record_data
from calendar_record_log
where pt_date >= 20190201 and pt_date <= 20190224
distribute by uid
sort by upload_time desc,event_type desc;

group by代替distinct

當(dāng)要統(tǒng)計某一列的去重數(shù)時，如果數(shù)據(jù)量很大，count(distinct)就會非常慢，原因與order by類似，count(distinct)邏輯只會有很少的reducer來處理。這時可以用group by來改寫：

select count(1) from (
  select uid from calendar_record_log
  where pt_date >= 20190101
  group by uid
) t;

但是這樣寫會啟動兩個MR job（單純distinct只會啟動一個），所以要確保數(shù)據(jù)量大到啟動job的overhead遠(yuǎn)小于計算耗時，才考慮這種方法。當(dāng)數(shù)據(jù)集很小或者key的傾斜比較明顯時，group by還可能會比distinct慢。
那么如何用group by方式同時統(tǒng)計多個列？下面是解決方法：

select t.a,sum(t.b),count(t.c),count(t.d) from (
  select a,b,null c,null d from some_table
  union all
  select a,0 b,c,null d from some_table group by a,c
  union all
  select a,0 b,null c,d from some_table group by a,d
) t;

group by配置調(diào)整

map端預(yù)聚合

group by時，如果先起一個combiner在map端做部分預(yù)聚合，可以有效減少shuffle數(shù)據(jù)量。預(yù)聚合的配置項(xiàng)是hive.map.aggr，默認(rèn)值true，對應(yīng)的優(yōu)化器為GroupByOptimizer，簡單方便。
通過hive.groupby.mapaggr.checkinterval參數(shù)也可以設(shè)置map端預(yù)聚合的行數(shù)閾值，超過該值就會分拆job，默認(rèn)值100000。

傾斜均衡配置項(xiàng)

group by時如果某些key對應(yīng)的數(shù)據(jù)量過大，就會發(fā)生數(shù)據(jù)傾斜。Hive自帶了一個均衡數(shù)據(jù)傾斜的配置項(xiàng)hive.groupby.skewindata，默認(rèn)值false。
其實(shí)現(xiàn)方法是在group by時啟動兩個MR job。第一個job會將map端數(shù)據(jù)隨機(jī)輸入reducer，每個reducer做部分聚合，相同的key就會分布在不同的reducer中。第二個job再將前面預(yù)處理過的數(shù)據(jù)按key聚合并輸出結(jié)果，這樣就起到了均衡的效果。
但是，配置項(xiàng)畢竟是死的，單純靠它有時不能根本上解決問題，因此還是建議自行了解數(shù)據(jù)傾斜的細(xì)節(jié)，并優(yōu)化查詢語句。

join基礎(chǔ)優(yōu)化

join優(yōu)化是一個復(fù)雜的話題，下面先說5點(diǎn)最基本的注意事項(xiàng)。

build table（小表）前置

在最常見的hash join方法中，一般總有一張相對小的表和一張相對大的表，小表叫build table，大表叫probe table。如下圖所示。

Hive在解析帶join的SQL語句時，會默認(rèn)將最后一個表作為probe table，將前面的表作為build table并試圖將它們讀進(jìn)內(nèi)存。如果表順序?qū)懛矗琾robe table在前面，引發(fā)OOM的風(fēng)險就高了。
在維度建模數(shù)據(jù)倉庫中，事實(shí)表就是probe table，維度表就是build table。假設(shè)現(xiàn)在要將日歷記錄事實(shí)表和記錄項(xiàng)編碼維度表來join：

select a.event_type,a.event_code,a.event_desc,b.upload_time
from calendar_event_code a
inner join (
  select event_type,upload_time from calendar_record_log
  where pt_date = 20190225
) b on a.event_type = b.event_type;

-??多表join時key相同?-

這種情況會將多個join合并為一個MR job來處理，例如：

select a.event_type,a.event_code,a.event_desc,b.upload_time
from calendar_event_code a
inner join (
  select event_type,upload_time from calendar_record_log
  where pt_date = 20190225
) b on a.event_type = b.event_type
inner join (
  select event_type,upload_time from calendar_record_log_2
  where pt_date = 20190225
) c on a.event_type = c.event_type;

如果上面兩個join的條件不相同，比如改成a.event_code = c.event_code，就會拆成兩個MR job計算。
負(fù)責(zé)這個的是相關(guān)性優(yōu)化器CorrelationOptimizer，它的功能除此之外還非常多，邏輯復(fù)雜，參考Hive官方的文檔可以獲得更多細(xì)節(jié)：https://cwiki.apache.org/confluence/display/Hive/Correlation+Optimizer。

-??利用map join特性?-

map join特別適合大小表join的情況。Hive會將build table和probe table在map端直接完成join過程，消滅了reduce，效率很高。

select /*+mapjoin(a)*/ a.event_type,b.upload_time
from calendar_event_code a
inner join (
  select event_type,upload_time from calendar_record_log
  where pt_date = 20190225
) b on a.event_type < b.event_type;

上面的語句中加了一條map join hint，以顯式啟用map join特性。早在Hive 0.8版本之后，就不需要寫這條hint了。map join還支持不等值連接，應(yīng)用更加靈活。
map join的配置項(xiàng)是hive.auto.convert.join，默認(rèn)值true，對應(yīng)邏輯優(yōu)化器是MapJoinProcessor。
還有一些參數(shù)用來控制map join的行為，比如hive.mapjoin.smalltable.filesize，當(dāng)build table大小小于該值就會啟用map join，默認(rèn)值25000000（25MB）。還有hive.mapjoin.cache.numrows，表示緩存build table的多少行數(shù)據(jù)到內(nèi)存，默認(rèn)值25000。

分桶表map join

map join對分桶表還有特別的優(yōu)化。由于分桶表是基于一列進(jìn)行hash存儲的，因此非常適合抽樣（按桶或按塊抽樣）。
它對應(yīng)的配置項(xiàng)是hive.optimize.bucketmapjoin，優(yōu)化器是BucketMapJoinOptimizer。但我們的業(yè)務(wù)中用分桶表較少，所以就不班門弄斧了，只是提一句。

傾斜均衡配置項(xiàng)

這個配置與上面group by的傾斜均衡配置項(xiàng)異曲同工，通過hive.optimize.skewjoin來配置，默認(rèn)false。
如果開啟了，在join過程中Hive會將計數(shù)超過閾值hive.skewjoin.key（默認(rèn)100000）的傾斜key對應(yīng)的行臨時寫進(jìn)文件中，然后再啟動另一個job做map join生成結(jié)果。通過hive.skewjoin.mapjoin.map.tasks參數(shù)還可以控制第二個job的mapper數(shù)量，默認(rèn)10000。
再重復(fù)一遍，通過自帶的配置項(xiàng)經(jīng)常不能解決數(shù)據(jù)傾斜問題。join是數(shù)據(jù)傾斜的重災(zāi)區(qū)，后面還要介紹在SQL層面處理傾斜的各種方法。

優(yōu)化SQL處理join數(shù)據(jù)傾斜

上面已經(jīng)多次提到了數(shù)據(jù)傾斜，包括已經(jīng)寫過的sort by代替order by，以及group by代替distinct方法，本質(zhì)上也是為了解決它。join操作更是數(shù)據(jù)傾斜的重災(zāi)區(qū)，需要多加注意。

空值或無意義值

這種情況很常見，比如當(dāng)事實(shí)表是日志類數(shù)據(jù)時，往往會有一些項(xiàng)沒有記錄到，我們視情況會將它置為null，或者空字符串、-1等。如果缺失的項(xiàng)很多，在做join時這些空值就會非常集中，拖累進(jìn)度。
因此，若不需要空值數(shù)據(jù)，就提前寫where語句過濾掉。需要保留的話，將空值key用隨機(jī)方式打散，例如將用戶ID為null的記錄隨機(jī)改為負(fù)值：

select a.uid,a.event_type,b.nickname,b.age
from (
  select 
  (case when uid is null then cast(rand()*-10240 as int) else uid end) as uid,
  event_type from calendar_record_log
  where pt_date >= 20190201
) a left outer join (
  select uid,nickname,age from user_info where status = 4
) b on a.uid = b.uid;

單獨(dú)處理傾斜key

這其實(shí)是上面處理空值方法的拓展，不過傾斜的key變成了有意義的。一般來講傾斜的key都很少，我們可以將它們抽樣出來，對應(yīng)的行單獨(dú)存入臨時表中，然后打上一個較小的隨機(jī)數(shù)前綴（比如0~9），最后再進(jìn)行聚合。SQL語句與上面的相仿，不再贅述。

不同數(shù)據(jù)類型

這種情況不太常見，主要出現(xiàn)在相同業(yè)務(wù)含義的列發(fā)生過邏輯上的變化時。
舉個例子，假如我們有一舊一新兩張日歷記錄表，舊表的記錄類型字段是(event_type int)，新表的是(event_type string)。為了兼容舊版記錄，新表的event_type也會以字符串形式存儲舊版的值，比如'17'。當(dāng)這兩張表join時，經(jīng)常要耗費(fèi)很長時間。其原因就是如果不轉(zhuǎn)換類型，計算key的hash值時默認(rèn)是以int型做的，這就導(dǎo)致所有“真正的”string型key都分配到一個reducer上。所以要注意類型轉(zhuǎn)換：

select a.uid,a.event_type,b.record_data
from calendar_record_log a
left outer join (
  select uid,event_type from calendar_record_log_2
  where pt_date = 20190228
) b on a.uid = b.uid and b.event_type = cast(a.event_type as string)
where a.pt_date = 20190228;

build table過大

有時，build table會大到無法直接使用map join的地步，比如全量用戶維度表，而使用普通join又有數(shù)據(jù)分布不均的問題。這時就要充分利用probe table的限制條件，削減build table的數(shù)據(jù)量，再使用map join解決。代價就是需要進(jìn)行兩次join。舉個例子：

select /*+mapjoin(b)*/ a.uid,a.event_type,b.status,b.extra_info
from calendar_record_log a
left outer join (
  select /*+mapjoin(s)*/ t.uid,t.status,t.extra_info
  from (select distinct uid from calendar_record_log where pt_date = 20190228) s
  inner join user_info t on s.uid = t.uid
) b on a.uid = b.uid
where a.pt_date = 20190228;

-??Map Reduce優(yōu)化?-

調(diào)整mapper數(shù)

mapper數(shù)量與輸入文件的split數(shù)息息相關(guān)，在Hadoop源碼org.apache.hadoop.mapreduce.lib.input.FileInputFormat類中可以看到split劃分的具體邏輯。這里不貼代碼，直接敘述mapper數(shù)是如何確定的。

• 可以直接通過參數(shù)mapred.map.tasks（默認(rèn)值2）來設(shè)定mapper數(shù)的期望值，但它不一定會生效，下面會提到。

• 設(shè)輸入文件的總大小為total_input_size。HDFS中，一個塊的大小由參數(shù)dfs.block.size指定，默認(rèn)值64MB或128MB。在默認(rèn)情況下，mapper數(shù)就是：
  default_mapper_num = total_input_size / dfs.block.size。

• 參數(shù)mapred.min.split.size（默認(rèn)值1B）和mapred.max.split.size（默認(rèn)值64MB）分別用來指定split的最小和最大大小。split大小和split數(shù)計算規(guī)則是：
  split_size = MAX(mapred.min.split.size, MIN(mapred.max.split.size, dfs.block.size))；
  split_num = total_input_size / split_size。

• 得出mapper數(shù)：
  mapper_num = MIN(split_num, MAX(default_num, mapred.map.tasks))。

可見，如果想減少mapper數(shù)，就適當(dāng)調(diào)高mapred.min.split.size，split數(shù)就減少了。如果想增大mapper數(shù)，除了降低mapred.min.split.size之外，也可以調(diào)高mapred.map.tasks。
一般來講，如果輸入文件是少量大文件，就減少mapper數(shù)；如果輸入文件是大量非小文件，就增大mapper數(shù)；至于大量小文件的情況，得參考下面“合并小文件”一節(jié)的方法處理。

調(diào)整reducer數(shù)

reducer數(shù)量的確定方法比mapper簡單得多。使用參數(shù)mapred.reduce.tasks可以直接設(shè)定reducer數(shù)量，不像mapper一樣是期望值。但如果不設(shè)這個參數(shù)的話，Hive就會自行推測，邏輯如下：

• 參數(shù)hive.exec.reducers.bytes.per.reducer用來設(shè)定每個reducer能夠處理的最大數(shù)據(jù)量，默認(rèn)值1G（1.2版本之前）或256M（1.2版本之后）。

• 參數(shù)hive.exec.reducers.max用來設(shè)定每個job的最大reducer數(shù)量，默認(rèn)值999（1.2版本之前）或1009（1.2版本之后）。

• 得出reducer數(shù)：
  reducer_num = MIN(total_input_size / reducers.bytes.per.reducer, reducers.max)。

reducer數(shù)量與輸出文件的數(shù)量相關(guān)。如果reducer數(shù)太多，會產(chǎn)生大量小文件，對HDFS造成壓力。如果reducer數(shù)太少，每個reducer要處理很多數(shù)據(jù)，容易拖慢運(yùn)行時間或者造成OOM。

合并小文件

• 輸入階段合并
  需要更改Hive的輸入文件格式，即參數(shù)hive.input.format，默認(rèn)值是org.apache.hadoop.hive.ql.io.HiveInputFormat，我們改成org.apache.hadoop.hive.ql.io.CombineHiveInputFormat。
  這樣比起上面調(diào)整mapper數(shù)時，又會多出兩個參數(shù)，分別是mapred.min.split.size.per.node和mapred.min.split.size.per.rack，含義是單節(jié)點(diǎn)和單機(jī)架上的最小split大小。如果發(fā)現(xiàn)有split大小小于這兩個值（默認(rèn)都是100MB），則會進(jìn)行合并。具體邏輯可以參看Hive源碼中的對應(yīng)類。

• 輸出階段合并
  直接將hive.merge.mapfiles和hive.merge.mapredfiles都設(shè)為true即可，前者表示將map-only任務(wù)的輸出合并，后者表示將map-reduce任務(wù)的輸出合并。
  另外，hive.merge.size.per.task可以指定每個task輸出后合并文件大小的期望值，hive.merge.size.smallfiles.avgsize可以指定所有輸出文件大小的均值閾值，默認(rèn)值都是1GB。如果平均大小不足的話，就會另外啟動一個任務(wù)來進(jìn)行合并。

啟用壓縮

壓縮job的中間結(jié)果數(shù)據(jù)和輸出數(shù)據(jù)，可以用少量CPU時間節(jié)省很多空間。壓縮方式一般選擇Snappy，效率最高。
要啟用中間壓縮，需要設(shè)定hive.exec.compress.intermediate為true，同時指定壓縮方式hive.intermediate.compression.codec為org.apache.hadoop.io.compress.SnappyCodec。另外，參數(shù)hive.intermediate.compression.type可以選擇對塊（BLOCK）還是記錄（RECORD）壓縮，BLOCK的壓縮率比較高。
輸出壓縮的配置基本相同，打開hive.exec.compress.output即可。

JVM重用

在MR job中，默認(rèn)是每執(zhí)行一個task就啟動一個JVM。如果task非常小而碎，那么JVM啟動和關(guān)閉的耗時就會很長。可以通過調(diào)節(jié)參數(shù)mapred.job.reuse.jvm.num.tasks來重用。例如將這個參數(shù)設(shè)成5，那么就代表同一個MR job中順序執(zhí)行的5個task可以重復(fù)使用一個JVM，減少啟動和關(guān)閉的開銷。但它對不同MR job中的task無效。

并行執(zhí)行與本地模式

• 并行執(zhí)行
  Hive中互相沒有依賴關(guān)系的job間是可以并行執(zhí)行的，最典型的就是多個子查詢union all。在集群資源相對充足的情況下，可以開啟并行執(zhí)行，即將參數(shù)hive.exec.parallel設(shè)為true。另外hive.exec.parallel.thread.number可以設(shè)定并行執(zhí)行的線程數(shù)，默認(rèn)為8，一般都夠用。

• 本地模式
  Hive也可以不將任務(wù)提交到集群進(jìn)行運(yùn)算，而是直接在一臺節(jié)點(diǎn)上處理。因?yàn)橄颂峤坏郊旱膐verhead，所以比較適合數(shù)據(jù)量很小，且邏輯不復(fù)雜的任務(wù)。
  設(shè)置hive.exec.mode.local.auto為true可以開啟本地模式。但任務(wù)的輸入數(shù)據(jù)總量必須小于hive.exec.mode.local.auto.inputbytes.max（默認(rèn)值128MB），且mapper數(shù)必須小于hive.exec.mode.local.auto.tasks.max（默認(rèn)值4），reducer數(shù)必須為0或1，才會真正用本地模式執(zhí)行。

嚴(yán)格模式

所謂嚴(yán)格模式，就是強(qiáng)制不允許用戶執(zhí)行3種有風(fēng)險的HiveQL語句，一旦執(zhí)行會直接失敗。這3種語句是：

• 查詢分區(qū)表時不限定分區(qū)列的語句；

• 兩表join產(chǎn)生了笛卡爾積的語句；

• 用order by來排序但沒有指定limit的語句。

要開啟嚴(yán)格模式，需要將參數(shù)hive.mapred.mode設(shè)為strict。

采用合適的存儲格式

在HiveQL的create table語句中，可以使用stored as ...指定表的存儲格式。Hive表支持的存儲格式有TextFile、SequenceFile、RCFile、Avro、ORC、Parquet等。
存儲格式一般需要根據(jù)業(yè)務(wù)進(jìn)行選擇，在我們的實(shí)操中，絕大多數(shù)表都采用TextFile與Parquet兩種存儲格式之一。
TextFile是最簡單的存儲格式，它是純文本記錄，也是Hive的默認(rèn)格式。雖然它的磁盤開銷比較大，查詢效率也低，但它更多地是作為跳板來使用。RCFile、ORC、Parquet等格式的表都不能由文件直接導(dǎo)入數(shù)據(jù)，必須由TextFile來做中轉(zhuǎn)。
Parquet和ORC都是Apache旗下的開源列式存儲格式。列式存儲比起傳統(tǒng)的行式存儲更適合批量OLAP查詢，并且也支持更好的壓縮和編碼。我們選擇Parquet的原因主要是它支持Impala查詢引擎，并且我們對update、delete和事務(wù)性操作需求很低。

這里就不展開講它們的細(xì)節(jié)，可以參考各自的官網(wǎng)：
https://parquet.apache.org/
https://orc.apache.org/