本文接上篇（http://www.itdecent.cn/p/8e2f2f0d4b6c）繼續(xù)講解Hive/HiveQL常用優(yōu)化方法，按照目錄，會從“優(yōu)化SQL處理join數(shù)據(jù)傾斜”說起。

優(yōu)化SQL處理join數(shù)據(jù)傾斜

上篇已經(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(jì)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;

MapReduce優(yōu)化

經(jīng)典MR流程，不再贅述

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(jì)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?？梢酝ㄟ^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/

結(jié)束

寫了這么多，肯定有遺漏或錯誤之處，歡迎各位大佬批評指正。