面试必备技能-HiveSQL优化

2024-09-06 22:08

本文主要是介绍面试必备技能-HiveSQL优化,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Hive SQL基本上适用大数据领域离线数据处理的大部分场景。Hive SQL的优化也是我们必须掌握的技能,而且,面试一定会问。那么,我希望面试者能答出其中的80%优化点,在这个问题上才算过关。


  • Hive优化目标

    • 在有限的资源下,执行效率更高

  • 常见问题

    • 数据倾斜

    • map数设置

    • reduce数设置

    • 其他


  • Hive执行

    • HQL --> Job --> Map/Reduce

    • 执行计划

      • explain [extended] hql

      • 样例

      • select col,count(1) from test2 group by col;

      • explain select col,count(1) from test2 group by col;


Hive表优化

  • 分区

    • set hive.exec.dynamic.partition=true;

    • set hive.exec.dynamic.partition.mode=nonstrict;

    • 静态分区

    • 动态分区

  • 分桶

    • set hive.enforce.bucketing=true;

    • set hive.enforce.sorting=true;

  • 数据

    • 相同数据尽量聚集在一起




Hive Job优化

  • 并行化执行

    • 每个查询被hive转化成多个阶段,有些阶段关联性不大,则可以并行化执行,减少执行时间

    • set hive.exec.parallel= true;

    • set hive.exec.parallel.thread.numbe=8;

  • 本地化执行

    • job的输入数据大小必须小于参数:hive.exec.mode.local.auto.inputbytes.max(默认128MB)

    • job的map数必须小于参数:hive.exec.mode.local.auto.tasks.max(默认4)

    • job的reduce数必须为0或者1

    • set hive.exec.mode.local.auto=true;

    • 当一个job满足如下条件才能真正使用本地模式:

  • job合并输入小文件

    • set hive.input.format = org.apache.hadoop.hive.ql.io.CombineHiveInputFormat

    • 合并文件数由mapred.max.split.size限制的大小决定

  • job合并输出小文件

    • set hive.merge.smallfiles.avgsize=256000000;当输出文件平均小于该值,启动新job合并文件

    • set hive.merge.size.per.task=64000000;合并之后的文件大小

  • JVM重利用

    • set mapred.job.reuse.jvm.num.tasks=20;

    • JVM重利用可以使得JOB长时间保留slot,直到作业结束,这在对于有较多任务和较多小文件的任务是非常有意义的,减少执行时间。当然这个值不能设置过大,因为有些作业会有reduce任务,如果reduce任务没有完成,则map任务占用的slot不能释放,其他的作业可能就需要等待。

  • 压缩数据

    • set hive.exec.compress.output=true;

    • set mapred.output.compreession.codec=org.apache.hadoop.io.compress.GzipCodec;

    • set mapred.output.compression.type=BLOCK;

    • set hive.exec.compress.intermediate=true;

    • set hive.intermediate.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;

    • set hive.intermediate.compression.type=BLOCK;

    • 中间压缩就是处理hive查询的多个job之间的数据,对于中间压缩,最好选择一个节省cpu耗时的压缩方式

    • hive查询最终的输出也可以压缩

Hive Map优化


  • set mapred.map.tasks =10; 无效

  • (1)默认map个数

    • default_num=total_size/block_size;

  • (2)期望大小

    • goal_num=mapred.map.tasks;

  • (3)设置处理的文件大小

    • split_size=max(mapred.min.split.size,block_size);

    • split_num=total_size/split_size;

  • (4)计算的map个数

    • compute_map_num=min(split_num,max(default_num,goal_num))

  • 经过以上的分析,在设置map个数的时候,可以简答的总结为以下几点:

    • 增大mapred.min.split.size的值

    • 如果想增加map个数,则设置mapred.map.tasks为一个较大的值

    • 如果想减小map个数,则设置mapred.min.split.size为一个较大的值

    • 情况1:输入文件size巨大,但不是小文件

    • 情况2:输入文件数量巨大,且都是小文件,就是单个文件的size小于blockSize。这种情况通过增大mapred.min.split.size不可行,需要使用combineFileInputFormat将多个input path合并成一个InputSplit送给mapper处理,从而减少mapper的数量。

  • map端聚合

    • set hive.map.aggr=true;

  • 推测执行

    • mapred.map.tasks.apeculative.execution

Hive Shuffle优化


  • Map端

    • io.sort.mb

    • io.sort.spill.percent

    • min.num.spill.for.combine

    • io.sort.factor

    • io.sort.record.percent

  • Reduce端

    • mapred.reduce.parallel.copies

    • mapred.reduce.copy.backoff

    • io.sort.factor

    • mapred.job.shuffle.input.buffer.percent

    • mapred.job.shuffle.input.buffer.percent

    • mapred.job.shuffle.input.buffer.percent

Hive Reduce优化


  • 需要reduce操作的查询

    • group by,join,distribute by,cluster by...

    • order by比较特殊,只需要一个reduce

    • sum,count,distinct...

    • 聚合函数

    • 高级查询

  • 推测执行

    • mapred.reduce.tasks.speculative.execution

    • hive.mapred.reduce.tasks.speculative.execution

  • Reduce优化

    • numRTasks = min[maxReducers,input.size/perReducer]

    • maxReducers=hive.exec.reducers.max

    • perReducer = hive.exec.reducers.bytes.per.reducer

    • hive.exec.reducers.max 默认 :999

    • hive.exec.reducers.bytes.per.reducer 默认:1G

    • set mapred.reduce.tasks=10;直接设置

    • 计算公式


Hive查询操作优化


join优化

  • 关联操作中有一张表非常小

  • 不等值的链接操作

  • set hive.auto.current.join=true;

  • hive.mapjoin.smalltable.filesize默认值是25mb

  • select /*+mapjoin(A)*/ f.a,f.b from A t join B f on (f.a=t.a)

  • hive.optimize.skewjoin=true;如果是Join过程出现倾斜,应该设置为true

  • set hive.skewjoin.key=100000; 这个是join的键对应的记录条数超过这个值则会进行优化

  • mapjoin

  • 简单总结下,mapjoin的使用场景:

Bucket join

  • 两个表以相同方式划分桶

  • 两个表的桶个数是倍数关系

  • crete table order(cid int,price float) clustered by(cid) into 32 buckets;

  • crete table customer(id int,first string) clustered by(id) into 32 buckets;

  • select price from order t join customer s on t.cid=s.id


join 优化前

  • select m.cid,u.id from order m join customer u on m.cid=u.id where m.dt='2013-12-12';


join优化后

  • select m.cid,u.id from (select cid from order where dt='2013-12-12')m join customer u on m.cid=u.id;

group by 优化

  • hive.groupby.skewindata=true;如果是group by 过程出现倾斜 应该设置为true

  • set hive.groupby.mapaggr.checkinterval=100000;--这个是group的键对应的记录条数超过这个值则会进行优化


  • count distinct 优化

    • 优化前

      • select count(distinct id) from tablename

    • 优化后

      • select count(1) from (select distinct id from tablename) tmp;

      • select count(1) from (select id from tablename group by id) tmp;

    • 优化前

      • select a,sum(b),count(distinct c),count(distinct d) from test group by a

    • 优化后

      • select a,sum(b) as b,count(c) as c,count(d) as d from(select a,0 as b,c,null as d from test group by a,c union all select a,0 as b,null as c,d from test group by a,d union all select a,b,null as c,null as d from test)tmp1 group by a;


640?wx_fmt=jpeg点赞和转发是最大的支持~


在看点一下 大家都知道 640?wx_fmt=png

这篇关于面试必备技能-HiveSQL优化的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1143255

相关文章

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

MySQL中慢SQL优化的不同方式介绍

《MySQL中慢SQL优化的不同方式介绍》慢SQL的优化,主要从两个方面考虑,SQL语句本身的优化,以及数据库设计的优化,下面小编就来给大家介绍一下有哪些方式可以优化慢SQL吧... 目录避免不必要的列分页优化索引优化JOIN 的优化排序优化UNION 优化慢 SQL 的优化,主要从两个方面考虑,SQL 语

MySQL中慢SQL优化方法的完整指南

《MySQL中慢SQL优化方法的完整指南》当数据库响应时间超过500ms时,系统将面临三大灾难链式反应,所以本文将为大家介绍一下MySQL中慢SQL优化的常用方法,有需要的小伙伴可以了解下... 目录一、慢SQL的致命影响二、精准定位问题SQL1. 启用慢查询日志2. 诊断黄金三件套三、六大核心优化方案方案

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

使用国内镜像源优化pip install下载的方法步骤

《使用国内镜像源优化pipinstall下载的方法步骤》在Python开发中,pip是一个不可或缺的工具,用于安装和管理Python包,然而,由于默认的PyPI服务器位于国外,国内用户在安装依赖时可... 目录引言1. 为什么需要国内镜像源?2. 常用的国内镜像源3. 临时使用国内镜像源4. 永久配置国内镜

C#原型模式之如何通过克隆对象来优化创建过程

《C#原型模式之如何通过克隆对象来优化创建过程》原型模式是一种创建型设计模式,通过克隆现有对象来创建新对象,避免重复的创建成本和复杂的初始化过程,它适用于对象创建过程复杂、需要大量相似对象或避免重复初... 目录什么是原型模式?原型模式的工作原理C#中如何实现原型模式?1. 定义原型接口2. 实现原型接口3

Java嵌套for循环优化方案分享

《Java嵌套for循环优化方案分享》介绍了Java中嵌套for循环的优化方法,包括减少循环次数、合并循环、使用更高效的数据结构、并行处理、预处理和缓存、算法优化、尽量减少对象创建以及本地变量优化,通... 目录Java 嵌套 for 循环优化方案1. 减少循环次数2. 合并循环3. 使用更高效的数据结构4

Deepseek使用指南与提问优化策略方式

《Deepseek使用指南与提问优化策略方式》本文介绍了DeepSeek语义搜索引擎的核心功能、集成方法及优化提问策略,通过自然语言处理和机器学习提供精准搜索结果,适用于智能客服、知识库检索等领域... 目录序言1. DeepSeek 概述2. DeepSeek 的集成与使用2.1 DeepSeek API

Tomcat高效部署与性能优化方式

《Tomcat高效部署与性能优化方式》本文介绍了如何高效部署Tomcat并进行性能优化,以确保Web应用的稳定运行和高效响应,高效部署包括环境准备、安装Tomcat、配置Tomcat、部署应用和启动T... 目录Tomcat高效部署与性能优化一、引言二、Tomcat高效部署三、Tomcat性能优化总结Tom