Hive調優實戰

轉載地址：http://sznmail.iteye.com/blog/1499789
最佳化時，把hive sql當做map reduce程式來讀，會有意想不到的驚喜。

理解hadoop的核心能力，是hive最佳化的根本。這是這一年來，專案組所有成員寶貴的經驗總結。

 

長期觀察hadoop處理資料的過程，有幾個顯著的特徵:

1.不怕資料多，就怕資料傾斜。

2．對jobs數比較多的作業執行效率相對比較低，比如即使有幾百行的表，如果多次關聯多次彙總，產生十幾個jobs，沒半小時是跑不完的。map reduce作業初始化的時間是比較長的。

3.對sum，count來說，不存在資料傾斜問題。

4.對count(distinct ),效率較低，資料量一多，準出問題，如果是多count(distinct )效率更低。

 

最佳化可以從幾個方面著手：

1. 好的模型設計事半功倍。

2. 解決資料傾斜問題。

3. 減少job數。

4. 設定合理的map reduce的task數，能有效提升效能。(比如，10w+級別的計算，用160個reduce，那是相當的浪費，1個足夠)。

5. 自己動手寫sql解決資料傾斜問題是個不錯的選擇。set hive.groupby.skewindata=true;這是通用的演算法最佳化，但演算法最佳化總是漠視業務，習慣性提供通用的解決方法。 Etl開發人員更瞭解業務，更瞭解資料，所以透過業務邏輯解決傾斜的方法往往更精確，更有效。

6. 對count(distinct)採取漠視的方法，尤其資料大的時候很容易產生傾斜問題，不抱僥倖心理。自己動手，豐衣足食。

7. 對小檔案進行合併，是行至有效的提高排程效率的方法，假如我們的作業設定合理的檔案數，對雲梯的整體排程效率也會產生積極的影響。

8. 最佳化時把握整體，單個作業最優不如整體最優。

 

遷移和最佳化過程中的案例：

 

問題1：如日誌中，常會有資訊丟失的問題，比如全網日誌中的user_id，如果取其中的user_id和bmw_users關聯，就會碰到資料傾斜的問題。

方法：解決資料傾斜問題

解決方法1. User_id為空的不參與關聯，例如：

Select *

From log a

Join  bmw_users b

On a.user_id is not null

And a.user_id = b.user_id

Union all

Select *

from log a

where a.user_id is null.
解決方法2 ：

Select *

from log a

left outer join bmw_users b

on case when a.user_id is null then concat(‘dp_hive’,rand() ) else a.user_id end = b.user_id;

 

總結：2比1效率更好，不但io少了，而且作業數也少了。1方法log讀取兩次，jobs是2。2方法job數是1 。這個最佳化適合無效id(比如-99,’’,null等)產生的傾斜問題。把空值的key變成一個字串加上隨機數，就能把傾斜的資料分到不同的reduce上 ,解決資料傾斜問題。因為空值不參與關聯，即使分到不同的reduce上，也不影響最終的結果。附上hadoop通用關聯的實現方法（關聯透過二次排序實現的，關聯的列為parition key,關聯的列c1和表的tag組成排序的group key,根據parition key分配reduce。同一reduce內根據group key排序）。

 

問題2：不同資料型別id的關聯會產生資料傾斜問題。

一張表s8的日誌，每個商品一條記錄，要和商品表關聯。但關聯卻碰到傾斜的問題。s8的日誌中有字串商品id,也有數字的商品id,型別是string的，但商品中的數字id是bigint的。猜測問題的原因是把s8的商品id轉成數字id做hash來分配reduce，所以字串id的s8日誌，都到一個reduce上了，解決的方法驗證了這個猜測。

方法：把數字型別轉換成字串型別

Select * from s8_log a

Left outer join r_auction_auctions b

On a.auction_id = cast(b.auction_id as string);

 

問題3：利用hive 對UNION ALL的最佳化的特性

hive對union all最佳化只侷限於非巢狀查詢。

比如以下的例子：

select * from

(select * from t1

 Group by c1,c2,c3

Union all

Select * from t2

Group by c1,c2,c3) t3

   Group by c1,c2,c3;

從業務邏輯上說，子查詢內的group by 怎麼都看顯得多餘（功能上的多餘,除非有count(distinct)），如果不是因為hive bug或者效能上的考量(曾經出現如果不子查詢group by ，資料得不到正確的結果的hive bug)。所以這個hive按經驗轉換成

select * from

(select * from t1

Union all

Select * from t2

) t3

   Group by c1,c2,c3;

經過測試，並未出現union all的hive bug,資料是一致的。mr的作業數有3減少到1。

t1相當於一個目錄，t2相當於一個目錄，那麼對map reduce程式來說，t1,t2可以做為map reduce 作業的mutli inputs。那麼，這可以透過一個map reduce 來解決這個問題。Hadoop的計算框架，不怕資料多，就怕作業數多。

但如果換成是其他計算平臺如oracle，那就不一定了，因為把大的輸入拆成兩個輸入，分別排序彙總後merge(假如兩個子排序是並行的話)，是有可能效能更優的（比如希爾排序比氣泡排序的效能更優）。

 

問題4：比如推廣效果表要和商品表關聯，效果表中的auction id列既有商品id,也有數字id,和商品表關聯得到商品的資訊。那麼以下的hive sql效能會比較好

Select * from effect a

Join (select auction_id as auction_id from auctions

Union all

Select auction_string_id as auction_id from auctions

) b

On a.auction_id = b.auction_id。

比分別過濾數字id,字串id然後分別和商品表關聯效能要好。

這樣寫的好處,1個MR作業,商品表只讀取一次，推廣效果表只讀取一次。把這個sql換成MR程式碼的話，map的時候，把a表的記錄打上標籤a,商品表記錄每讀取一條，打上標籤b，變成兩個對，數字id>，字串id>。所以商品表的hdfs讀只會是一次。

 

問題5：先join生成臨時表，在union all還是寫巢狀查詢，這是個問題。比如以下例子：

Select *

From (select *

     From t1

     Uion all

     select *

     From t4

     Union all

     Select *

     From t2

     Join t3

     On t2.id = t3.id

     ) x

Group by c1,c2;

這個會有4個jobs。假如先join生成臨時表的話t5,然後union all，會變成2個jobs。

Insert overwrite table t5

Select *

     From t2

     Join t3

     On t2.id = t3.id

;

Select * from (t1 union all t4 union all t5) ;

hive在union all最佳化上可以做得更智慧（把子查詢當做臨時表），這樣可以減少開發人員的負擔。出現這個問題的原因應該是union all目前的最佳化只侷限於非巢狀查詢。如果寫MR程式這一點也不是問題，就是multi inputs。

 

問題6：使用map join解決資料傾斜的常景下小表關聯大表的問題，但如果小表很大，怎麼解決。這個使用的頻率非常高，但如果小表很大，大到map join會出現bug或異常，這時就需要特別的處理。雲瑞和玉璣提供了非常給力的解決方案。以下例子：

Select * from log a

Left outer join members b

On a.memberid = b.memberid.

Members有600w+的記錄，把members分發到所有的map上也是個不小的開銷，而且map join不支援這麼大的小表。如果用普通的join，又會碰到資料傾斜的問題。

解決方法：

Select /*+mapjoin(x)*/* from log a

Left outer join (select  /*+mapjoin(c)*/d.*

From (select  distinct memberid from log ) c

Join members d

On c.memberid = d.memberid

)x

On a.memberid = b.memberid。

先根據log取所有的memberid，然後mapjoin 關聯members取今天有日誌的members的資訊，然後在和log做mapjoin。

假如，log裡memberid有上百萬個，這就又回到原來map join問題。所幸，每日的會員uv不會太多，有交易的會員不會太多，有點選的會員不會太多，有佣金的會員不會太多等等。所以這個方法能解決很多場景下的資料傾斜問題。

 

問題7：HIVE下通用的資料傾斜解決方法,double被關聯的相對較小的表，這個方法在mr的程式裡常用。還是剛才的那個問題：

Select  * from log a

Left outer join (select  /*+mapjoin(e)*/

memberid, number

             From members d

             Join num e

             ) b

On a.memberid=  b.memberid

And mod(a.pvtime,30)+1=b.number。

Num表只有一列number，有30行，是1,30的自然數序列。就是把member表膨脹成30份，然後把log資料根據memberid和pvtime分到不同的reduce裡去，這樣可以保證每個reduce分配到的資料可以相對均勻。就目前測試來看，使用mapjoin的方案效能稍好。後面的方案適合在map join無法解決問題的情況下。

 

長遠設想，把如下的最佳化方案做成通用的hive最佳化方法

1. 取樣log表，哪些memberid比較傾斜，得到一個結果表tmp1。由於對計算框架來說，所有的資料過來，他都是不知道資料分佈情況的，所以取樣是並不可少的。Stage1

2. 資料的分佈符合社會學統計規則，貧富不均。傾斜的key不會太多，就像一個社會的富人不多，奇特的人不多一樣。所以tmp1記錄數會很少。把tmp1和members做map join生成tmp2,把tmp2讀到distribute file cache。這是一個map過程。Stage2

3.    map讀入members和log，假如記錄來自log,則檢查memberid是否在tmp2裡，如果是，輸出到本地檔案a,否則生成的key,value對，假如記錄來自member,生成的key,value對，進入reduce階段。Stage3.

4. 最終把a檔案，把Stage3 reduce階段輸出的檔案合併起寫到hdfs。

這個方法在hadoop裡應該是能實現的。Stage2是一個map過程，可以和stage3的map過程可以合併成一個map過程。

這個方案目標就是：傾斜的資料用mapjoin,不傾斜的資料用普通的join，最終合併得到完整的結果。用hive sql寫的話，sql會變得很多段，而且log表會有多次讀。傾斜的key始終是很少的，這個在絕大部分的業務背景下適用。那是否可以作為hive針對資料傾斜join時候的通用演算法呢？

 

問題8：多粒度(平級的)uv的計算最佳化，比如要計算店鋪的uv。還有要計算頁面的uv,pvip.

方案1:

Select shopid,count(distinct uid)

From log group by shopid;

Select pageid, count(distinct uid),

From log group by pageid;

由於存在資料傾斜問題，這個結果的執行時間是非常長的。

方案二：

From log

Insert overwrite table t1 (type=’1’)

Select shopid

Group by shopid ,acookie

Insert overwrite table t1 (type=’2’)

Group by pageid,acookie;

店鋪uv:

Select shopid,sum(1)

From t1

Where type =’1’

Group by shopid ;

頁面uv:

Select pageid,sum(1)

From t1

Where type =’1’

Group by pageid ;

這裡使用了multi insert的方法，有效減少了hdfs讀，但multi insert會增加hdfs寫，多一次額外的map階段的hdfs寫。使用這個方法，可以順利的產出結果。

方案三：

Insert into t1

Select type,type_name,’’ as uid

From (

Select  ‘page’ as type,

        Pageid as type_name,

        Uid

From log

Union all

Select  ‘shop’ as type,

       Shopid as type_name,

       Uid

From log ) y

Group by type,type_name,uid;

Insert into t2

Select type,type_name,sum(1)

From t1

Group by type,type_name;

From t2

Insert into t3

Select type,type_name,uv

Where type=’page’

Select type,type_name,uv

Where type=’shop’ ;

最終得到兩個結果表t3,頁面uv表，t4,店鋪結果表。從io上來說，log一次讀。但比方案2少次hdfs寫（multi insert有時會增加額外的map階段hdfs寫）。作業數減少1個到3，有reduce的作業數由4減少到2，第三步是一個小表的map過程，分下表，計算資源消耗少。但方案2每個都是大規模的去重彙總計算。

這個最佳化的主要思路是，map reduce作業初始化話的時間是比較長，既然起來了，讓他多幹點活，順便把頁面按uid去重的活也幹了，省下log的一次讀和作業的初始化時間，省下網路shuffle的io，但增加了本地磁碟讀寫。效率提升較多。

這個方案適合平級的不需要逐級向上彙總的多粒度uv計算，粒度越多，節省資源越多，比較通用。

 

問題9：多粒度，逐層向上彙總的uv結算。比如4個維度，a,b,c,d，分別計算a,b,c,d,uv；

a,b,c,uv;a,b,uv;a;uv,total uv4個結果表。這可以用問題8的方案二，這裡由於uv場景的特殊性，多粒度，逐層向上彙總，就可以使用一次排序，所有uv計算受益的計算方法。

案例：目前mm_log日誌一天有25億+的pv數，要從mm日誌中計算uv，與ipuv,一共計算

三個粒度的結果表

（memberid,siteid,adzoneid,province,uv,ipuv）  R_TABLE_4

（memberid,siteid,adzoneid,uv,ipuv） R_TABLE_3

 (memberid,siteid,uv,ipuv) R_TABLE_2

第一步：按memberid,siteid,adzoneid,province,使用group去重,產生臨時表，對cookie,ip

打上標籤放一起，一起去重，臨時表叫T_4;

Select memberid,siteid,adzoneid,province,type,user

From(

Select memberid,siteid,adzoneid,province,‘a’ type ,cookie as user from mm_log where ds=20101205

Union all

Select memberid,siteid,adzoneid,province,‘i’ type ,ip as user from mm_log where ds=20101205

) x group by memberid,siteid,adzoneid,province,type,user ;

第二步：排名,產生表T_4_NUM.Hadoop最強大和核心能力就是parition 和 sort.按type，acookie分組，

Type，acookie，memberid,siteid,adzoneid,province排名。

Select * ,

row_number(type,user,memberid,siteid,adzoneid ) as adzone_num ,
row_number(type,user,memberid,siteid ) as site_num,

row_number(type,user,memberid ) as member_num,

row_number(type,user ) as total_num

from (select  * from T_4 distribute by type,user sort by type,user, memberid,siteid,adzoneid ) x;

這樣就可以得到不同層次粒度上user的排名，相同的user id在不同的粒度層次上，排名等於1的記錄只有1條。取排名等於1的做sum，效果相當於Group by user去重後做sum操作。

第三步：不同粒度uv統計，先從最細粒度的開始統計，產生結果表R_TABLE_4,這時，結果集只有10w的級別。

如統計memberid,siteid,adzoneid,provinceid粒度的uv使用的方法就是

Select memberid,siteid,adzoneid, provinceid,

sum(case when  type =’a’ then cast(1) as bigint end ) as province_uv ,

sum(case when  type =’i’ then cast(1) as bigint end ) as province_ip ,

sum(case when adzone_num =1 and type =’a’ then cast(1) as bigint end ) as adzone_uv ,

sum(case when adzone_num =1 and type =’i’ then cast(1) as bigint end ) as adzone_ip ,

sum(case when site_num =1 and type =’a’ then cast(1) as bigint end ) as site_uv ,

sum(case when site_num =1 and type =’i’ then cast(1) as bigint end ) as site_ip ,

sum(case when member_num =1 and type =’a’ then cast(1) as bigint end ) as member_uv ,

sum(case when member_num =1 and type =’i’ then cast(1) as bigint end ) as member_ip ,

sum(case when total_num =1 and type =’a’ then cast(1) as bigint end ) as total_uv ,

sum(case when total_num =1 and type =’i’ then cast(1) as bigint end ) as total_ip ,

from T_4_NUM

group by memberid,siteid,adzoneid, provinceid ;

廣告位粒度的uv的話，從R_TABLE_4統計，這是源表做10w級別的統計

Select memberid,siteid,adzoneid,sum(adzone_uv),sum(adzone_ip)

From R_TABLE_4

Group by memberid,siteid,adzoneid；

memberid,siteid的uv計算 ，

memberid的uv計算,

total uv 的計算也都從R_TABLE_4彙總。