Hive企業(yè)級性能優(yōu)化（建議收藏）

Hive作為大數(shù)據(jù)平臺舉足輕重的框架，以其穩(wěn)定性和簡單易用性也成為當(dāng)前構(gòu)建企業(yè)級數(shù)據(jù)倉庫時使用最多的框架之一。

但是如果我們只局限于會使用Hive，而不考慮性能問題，就難搭建出一個完美的數(shù)倉，所以Hive性能調(diào)優(yōu)是我們大數(shù)據(jù)從業(yè)者必須掌握的技能。本文將給大家講解Hive性能調(diào)優(yōu)的一些方法及技巧。

Hive性能問題排查方式

當(dāng)我們發(fā)現(xiàn)一條SQL語句執(zhí)行時間過長或者不合理時，我們就要考慮對SQL進行優(yōu)化，優(yōu)化首先得進行問題排查，那么我們可以通過哪些方式進行排查呢。

經(jīng)常使用關(guān)系型數(shù)據(jù)庫的同學(xué)可能知道關(guān)系型數(shù)據(jù)庫的優(yōu)化的訣竅-看執(zhí)行計劃。如Oracle數(shù)據(jù)庫，它有多種類型的執(zhí)行計劃，通過多種執(zhí)行計劃的配合使用，可以看到根據(jù)統(tǒng)計信息推演的執(zhí)行計劃，即Oracle推斷出來的未真正運行的執(zhí)行計劃；能夠觀察到從數(shù)據(jù)讀取到最終呈現(xiàn)的主要過程和中間的量化數(shù)據(jù)。可以說，在Oracle開發(fā)領(lǐng)域，掌握合適的環(huán)節(jié)，選用不同的執(zhí)行計劃，SQL調(diào)優(yōu)就不是一件難事。

Hive中也有執(zhí)行計劃，但是Hive的執(zhí)行計劃都是預(yù)測的，這點不像Oracle和SQL Server有真實的計劃，可以看到每個階段的處理數(shù)據(jù)、消耗的資源和處理的時間等量化數(shù)據(jù)。Hive提供的執(zhí)行計劃沒有這些數(shù)據(jù)，這意味著雖然Hive的使用者知道整個SQL的執(zhí)行邏輯，但是各階段耗用的資源狀況和整個SQL的執(zhí)行瓶頸在哪里是不清楚的。

想要知道HiveSQL所有階段的運行信息，可以查看YARN提供的日志。查看日志的鏈接，可以在每個作業(yè)執(zhí)行后，在控制臺打印的信息中找到。如下圖所示：

Hive提供的執(zhí)行計劃目前可以查看的信息有以下幾種：

1. 查看執(zhí)行計劃的基本信息，即explain；
2. 查看執(zhí)行計劃的擴展信息，即explain extended；
3. 查看SQL數(shù)據(jù)輸入依賴的信息，即explain dependency；
4. 查看SQL操作相關(guān)權(quán)限的信息，即explain authorization；
5. 查看SQL的向量化描述信息，即explain vectorization。

在查詢語句的SQL前面加上關(guān)鍵字explain是查看執(zhí)行計劃的基本方法。用explain打開的執(zhí)行計劃包含以下兩部分：

• 作業(yè)的依賴關(guān)系圖，即STAGE DEPENDENCIES；
• 每個作業(yè)的詳細信息，即STAGE PLANS。

Hive中的explain執(zhí)行計劃詳解可看我之前寫的這篇文章：Hive底層原理：explain執(zhí)行計劃詳解

注：使用explain查看執(zhí)行計劃是Hive性能調(diào)優(yōu)中非常重要的一種方式，請務(wù)必掌握！

總結(jié)：Hive對SQL語句性能問題排查的方式：

1. 使用explain查看執(zhí)行計劃；
2. 查看YARN提供的日志。

Hive性能調(diào)優(yōu)的方式

為什么都說性能優(yōu)化這項工作是比較難的，因為一項技術(shù)的優(yōu)化，必然是一項綜合性的工作，它是多門技術(shù)的結(jié)合。我們?nèi)绻痪窒抻谝环N技術(shù)，那么肯定做不好優(yōu)化的。

下面將從多個完全不同的角度來介紹Hive優(yōu)化的多樣性，我們先來一起感受下。

1. SQL語句優(yōu)化

SQL語句優(yōu)化涉及到的內(nèi)容太多，因篇幅有限，不能一一介紹到，所以就拿幾個典型舉例，讓大家學(xué)到這種思想，以后遇到類似調(diào)優(yōu)問題可以往這幾個方面多思考下。

1. union all

insert into table stu partition(tp) 
select s_age,max(s_birth) stat,'max' tp 
from stu_ori
group by s_age

union all

insert into table stu partition(tp) 
select s_age,min(s_birth) stat,'min' tp 
from stu_ori
group by s_age;

我們簡單分析上面的SQL語句，就是將每個年齡段的最大和最小的生日獲取出來放到同一張表中，union all 前后的兩個語句都是對同一張表按照s_age進行分組，然后分別取最大值和最小值。

上面的SQL對同一張表的相同字段進行兩次分組，這顯然造成了極大浪費，我們能不能改造下呢，當(dāng)然是可以的，為大家介紹一個語法： from ... insert into ... ，這個語法將from前置，作用就是使用一張表，可以進行多次插入操作：

--開啟動態(tài)分區(qū) 
set hive.exec.dynamic.partition=true; 
set hive.exec.dynamic.partition.mode=nonstrict; 

from stu_ori 

insert into table stu partition(tp) 
select s_age,max(s_birth) stat,'max' tp 
group by s_age

insert into table stu partition(tp) 
select s_age,min(s_birth) stat,'min' tp 
group by s_age;

上面的SQL就可以對stu_ori表的s_age字段分組一次而進行兩次不同的插入操作。

這個例子告訴我們一定要多了解SQL語句，如果我們不知道這種語法，一定不會想到這種方式的。

2. distinct

先看一個SQL，去重計數(shù)：

select count(1) 
from( 
  select s_age 
  from stu 
  group by s_age 
) b;

這是簡單統(tǒng)計年齡的枚舉值個數(shù)，為什么不用distinct？

select count(distinct s_age) 
from stu;

有人說因為在數(shù)據(jù)量特別大的情況下使用第一種方式(group by)能夠有效避免Reduce端的數(shù)據(jù)傾斜，但事實如此嗎？

我們先不管數(shù)據(jù)量特別大這個問題，就當(dāng)前的業(yè)務(wù)和環(huán)境下使用distinct一定會比上面那種子查詢的方式效率高。原因有以下幾點：

1. 上面進行去重的字段是年齡字段，要知道年齡的枚舉值是非常有限的，就算計算1歲到100歲之間的年齡，s_age的最大枚舉值才100，如果轉(zhuǎn)化成MapReduce來解釋的話，在Map階段，每個Map會對s_age去重。由于s_age枚舉值有限，因而每個Map得到的s_age也有限，最終得到reduce的數(shù)據(jù)量也就是map數(shù)量*s_age枚舉值的個數(shù)。這個數(shù)量是很小的。

2. distinct的命令會在內(nèi)存中構(gòu)建一個hashtable，查找去重的時間復(fù)雜度是O(1)；group by在不同版本間變動比較大，有的版本會用構(gòu)建hashtable的形式去重，有的版本會通過排序的方式， 排序最優(yōu)時間復(fù)雜度無法到O(1)。另外，第一種方式(group by)去重會轉(zhuǎn)化為兩個任務(wù)，會消耗更多的磁盤網(wǎng)絡(luò)I/O資源。

3. 最新的Hive 3.0中新增了 count(distinct) 優(yōu)化，通過配置 hive.optimize.countdistinct，即使真的出現(xiàn)數(shù)據(jù)傾斜也可以自動優(yōu)化，自動改變SQL執(zhí)行的邏輯。

4. 第二種方式(distinct)比第一種方式(group by)代碼簡潔，表達的意思簡單明了，如果沒有特殊的問題，代碼簡潔就是優(yōu)！

這個例子告訴我們，有時候我們不要過度優(yōu)化，調(diào)優(yōu)講究適時調(diào)優(yōu)，過早進行調(diào)優(yōu)有可能做的是無用功甚至產(chǎn)生負效應(yīng)，在調(diào)優(yōu)上投入的工作成本和回報不成正比。調(diào)優(yōu)需要遵循一定的原則。

2. 數(shù)據(jù)格式優(yōu)化

Hive提供了多種數(shù)據(jù)存儲組織格式，不同格式對程序的運行效率也會有極大的影響。

Hive提供的格式有TEXT、SequenceFile、RCFile、ORC和Parquet等。

SequenceFile是一個二進制key/value對結(jié)構(gòu)的平面文件，在早期的Hadoop平臺上被廣泛用于MapReduce輸出/輸出格式，以及作為數(shù)據(jù)存儲格式。

Parquet是一種列式數(shù)據(jù)存儲格式，可以兼容多種計算引擎，如MapRedcue和Spark等，對多層嵌套的數(shù)據(jù)結(jié)構(gòu)提供了良好的性能支持，是目前Hive生產(chǎn)環(huán)境中數(shù)據(jù)存儲的主流選擇之一。

ORC優(yōu)化是對RCFile的一種優(yōu)化，它提供了一種高效的方式來存儲Hive數(shù)據(jù)，同時也能夠提高Hive的讀取、寫入和處理數(shù)據(jù)的性能，能夠兼容多種計算引擎。事實上，在實際的生產(chǎn)環(huán)境中，ORC已經(jīng)成為了Hive在數(shù)據(jù)存儲上的主流選擇之一。

我們執(zhí)行同樣的SQL語句及同樣的數(shù)據(jù)，只是數(shù)據(jù)存儲格式不同，得到如下執(zhí)行時長：

注：CPU時間：表示運行程序所占用服務(wù)器CPU資源的時間。
用戶等待耗時：記錄的是用戶從提交作業(yè)到返回結(jié)果期間用戶等待的所有時間。

查詢TextFile類型的數(shù)據(jù)表耗時33分鐘， 查詢ORC類型的表耗時1分52秒，時間得以極大縮短，可見不同的數(shù)據(jù)存儲格式也能給HiveSQL性能帶來極大的影響。

3. 小文件過多優(yōu)化

小文件如果過多，對 hive 來說，在進行查詢時，每個小文件都會當(dāng)成一個塊，啟動一個Map任務(wù)來完成，而一個Map任務(wù)啟動和初始化的時間遠遠大于邏輯處理的時間，就會造成很大的資源浪費。而且，同時可執(zhí)行的Map數(shù)量是受限的。

所以我們有必要對小文件過多進行優(yōu)化，關(guān)于小文件過多的解決的辦法，我之前專門寫了一篇文章講解，具體可查看：解決hive小文件過多問題。

4. 并行執(zhí)行優(yōu)化

Hive會將一個查詢轉(zhuǎn)化成一個或者多個階段。這樣的階段可以是MapReduce階段、抽樣階段、合并階段、limit階段。或者Hive執(zhí)行過程中可能需要的其他階段。默認情況下，Hive一次只會執(zhí)行一個階段。不過，某個特定的job可能包含眾多的階段，而這些階段可能并非完全互相依賴的，也就是說有些階段是可以并行執(zhí)行的，這樣可能使得整個job的執(zhí)行時間縮短。如果有更多的階段可以并行執(zhí)行，那么job可能就越快完成。

通過設(shè)置參數(shù)hive.exec.parallel值為true，就可以開啟并發(fā)執(zhí)行。在共享集群中，需要注意下，如果job中并行階段增多，那么集群利用率就會增加。

set hive.exec.parallel=true; //打開任務(wù)并行執(zhí)行
set hive.exec.parallel.thread.number=16; //同一個sql允許最大并行度，默認為8。

當(dāng)然得是在系統(tǒng)資源比較空閑的時候才有優(yōu)勢，否則沒資源，并行也起不來。

5. JVM優(yōu)化

JVM重用是Hadoop調(diào)優(yōu)參數(shù)的內(nèi)容，其對Hive的性能具有非常大的影響，特別是對于很難避免小文件的場景或task特別多的場景，這類場景大多數(shù)執(zhí)行時間都很短。

Hadoop的默認配置通常是使用派生JVM來執(zhí)行map和Reduce任務(wù)的。這時JVM的啟動過程可能會造成相當(dāng)大的開銷，尤其是執(zhí)行的job包含有成百上千task任務(wù)的情況。JVM重用可以使得JVM實例在同一個job中重新使用N次。N的值可以在Hadoop的mapred-site.xml文件中進行配置。通常在10-20之間，具體多少需要根據(jù)具體業(yè)務(wù)場景測試得出。

<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>

我們也可以在hive中設(shè)置

set  mapred.job.reuse.jvm.num.tasks=10; //這個設(shè)置來設(shè)置我們的jvm重用

這個功能的缺點是，開啟JVM重用將一直占用使用到的task插槽，以便進行重用，直到任務(wù)完成后才能釋放。如果某個“不平衡的”job中有某幾個reduce task執(zhí)行的時間要比其他Reduce task消耗的時間多的多的話，那么保留的插槽就會一直空閑著卻無法被其他的job使用，直到所有的task都結(jié)束了才會釋放。

6. 推測執(zhí)行優(yōu)化

在分布式集群環(huán)境下，因為程序bug（包括Hadoop本身的bug），負載不均衡或者資源分布不均等原因，會造成同一個作業(yè)的多個任務(wù)之間運行速度不一致，有些任務(wù)的運行速度可能明顯慢于其他任務(wù)（比如一個作業(yè)的某個任務(wù)進度只有50%，而其他所有任務(wù)已經(jīng)運行完畢），則這些任務(wù)會拖慢作業(yè)的整體執(zhí)行進度。為了避免這種情況發(fā)生，Hadoop采用了推測執(zhí)行（Speculative Execution）機制，它根據(jù)一定的法則推測出“拖后腿”的任務(wù)，并為這樣的任務(wù)啟動一個備份任務(wù)，讓該任務(wù)與原始任務(wù)同時處理同一份數(shù)據(jù)，并最終選用最先成功運行完成任務(wù)的計算結(jié)果作為最終結(jié)果。

設(shè)置開啟推測執(zhí)行參數(shù)：Hadoop的mapred-site.xml文件中進行配置：

<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>

hive本身也提供了配置項來控制reduce-side的推測執(zhí)行:

set hive.mapred.reduce.tasks.speculative.execution=true

關(guān)于調(diào)優(yōu)這些推測執(zhí)行變量，還很難給一個具體的建議。如果用戶因為輸入數(shù)據(jù)量很大而需要執(zhí)行長時間的map或者reduce task的話，那么啟動推測執(zhí)行造成的浪費是非常巨大的。

最后

代碼優(yōu)化原則：

• 理透需求原則，這是優(yōu)化的根本；
• 把握數(shù)據(jù)全鏈路原則，這是優(yōu)化的脈絡(luò)；
• 堅持代碼的簡潔原則，這讓優(yōu)化更加簡單；
• 沒有瓶頸時談?wù)搩?yōu)化，這是自尋煩惱。

--end--

掃描下方二維碼
添加好友，備注【交流】
可私聊交流，也可進資源豐富學(xué)習(xí)群

更文不易，點個“在看”支持一下??