好程式設計師大資料學習路線分享hive的執行方式

　　好程式設計師大資料學習路線分享hive的執行方式，hive的屬性設定： 1、在cli端設定 (只針對當前的session) 3、在java程式碼中設定 (當前連線) 2、在配置檔案中設定 (所有session有效)

設定屬性的優先順序依次降低。 cli端只能設定非hive啟動需要的屬性。(log屬性,後設資料連線屬性)

查詢所有屬性： hive>set; 檢視當前屬性的值：通常是hadoop hive> set -v; 模糊查詢屬性： hive -S -e "set" | grep current; hive -S -e "set" | grep index;

hive變數：system 、 env 、hivevar 、hiveconf

system ：系統級別環境變數(jvm、hadoop等)，可讀可寫 hive> set system:min.limit = 3; hive> set system:min.limit; system:min.limit=3

env：環境變數 (HADOOP_HOME)，只讀不能寫。 hive> set env:PWD; env:PWD=/usr/local/hive-1.2.1

hivevar：自定義臨時變數(可讀可寫)

hive> set hivevar:min.limit=3;
hive> set hivevar:min.limit;
hivevar:min.limit=3
hive> set hivevar:min.limit=2;
hive> set hivevar:min.limit;
hivevar:min.limit=2

hiveconf:自定義臨時屬性變數(可讀可寫)

hive> set hiveconf:max.limit=10;
hive> set hiveconf:max.limit;
hiveconf:max.limit=10
hive> set hiveconf:max.limit=6;
hive> set hiveconf:max.limit;
hiveconf:max.limit=6

hive的執行方式： 1、cli端執行 (臨時統計、開發) 2、hive -S -e "hql 語句"; (適合單個hql的query語句) 3、hive -S -f /hql檔案; (hql檔案的指令碼)

不帶引數

hive -S -e "use qf1603;select * from user1;" hive -S -f /home/su.hql;

hive在0.9版本以前是不支援的-f 帶引數的執行：

hive --hivevar min_limit=3 -hivevar -hivevar t_n=user1 -e 'use qf1603;select * from {hive:t_n} limit {hivevar:min_limit};'

hive --hiveconf min_lit=3 -e "use qf1603;select * from user1 limit ${hiveconf:min_lit};"

hive -S --hiveconf t_n=user1 --hivevar min_limit=3 -f ./su.hql

hive中註釋： --註釋內容

insert overwrite local directory '/home/out/05'
select * from user1 limit 3;

###三、hive 最佳化 1、環境最佳化(linux 控制程式碼數、應用記憶體分配、是否負載等) 2、應用配置屬性方面的最佳化。 3、程式碼最佳化(hql，嘗試換一種hql的寫法)。

1、學會看explain

explain :顯示hql查詢的計劃。 explain extended :顯示hql查詢的計劃。還會顯示hql的抽象表示式樹。(就是直譯器幹得事)

explain select * from user1;
explain extended select * from user1;

一個hql語句將會有一個或者多個stage構成。每一個stage相當於一個mr的job， stage可以是一個Fetch 、 map join 、 limit 等操作。 每一個stage都會按照依賴關係依次執行，沒有依賴關係的可以並行執行。

2、對limit的最佳化：

hive.limit.row.max.size=100000
hive.limit.optimize.limit.file=10
hive.limit.optimize.enable=false

3、對join的最佳化：

永遠是小表驅動大表(小結果集驅動大結果集) 必要時候使用小表標識 / +STREAMTABLE(小表別名) / 將業務調整為能儘量使用map-side join: hive.auto.convert.join: smalltable:  儘量避免笛卡爾積的join查詢，即便有咯也需要使用on 或者where 來過濾。 hive目前的join 只支援等值連線(= and)。其它的不行

4、使用hive本地模式(在一個jvm裡面執行)

hive.exec.mode.local.auto=false
hive.exec.mode.local.auto.inputbytes.max=134217728
hive.exec.mode.local.auto.input.files.max=4

5、hive並行執行(stage之間沒有相互依賴關係的可以並行執行)

hive.exec.parallel=false
hive.exec.parallel.thread.number=8

6、嚴格模式：

hive提供的嚴格模式阻擋三種查詢： 1、帶有分割槽的表的查詢 2、帶有orderby的查詢 3、join查詢語句，不帶on條件 或者 where條件。

7、設定mapper 和 reduce個數

mapper個數太多，啟動耗時，個數太少，資源利用不充分 reducer個數太多，啟動耗時，個數太少，資源利用不充分

mapper個數： 手動設定：

set mapred.map.tasks=2;

適當調整塊大小，從而改變分片數，來改變mapper個數：

透過合併檔案小檔案來減少mapper個數：

set mapred.max.split.size=25600000; 256M
set mapred.min.split.per.node=1
set mapred.min.split.per.rack=1
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

reducer個數(通常手動設定)：

set mapreduce.job.reduces=-1;

8、hive使用jvm重用

mapreduce.job.jvm.numtasks=1  set mapred.job.reuse.jvm.num=8; ##jvm裡執行task的任務數

9、資料傾斜(檢視：Hive最佳化.docx文件)

資料傾斜：資料某列的值分佈不均勻。 造成資料傾斜的原因： 1、原本資料就傾斜 2、hql語句可能造成 3、join 極容易造成 4、count(distinct col) 5、group by語句也容易

解決方法： 1、如果資料本身傾斜，看資料能否直接分離(找到傾斜的資料) 2、將傾斜的資料單獨出來計算，然後和正常的資料進行union all 3、將傾斜的資料賦予隨機數來進行join查詢，均衡每個task的任務量。 4、試圖不變需求改寫hql語句。

傾斜解決的幾個屬性設定：

hive.map.aggr=true
hive.groupby.skewindata=false
hive.optimize.skewjoin=false  

10、job數量的控制

連線查詢的on中的連線欄位型別儘可能相同。 通常是一個簡單hql語句生成一個job，有join 、limit 、group by 都將有可能會生成一個獨立job。

select
u.uid,
u.uname
from user1 u
where u.uid in (select l.uid from login l where l.uid=1 limit 1)
;
select
u.uid,
u.uname
from user1 u
join login l
on u.uid = l.uid
where l.uid = 1
;

分割槽 、分桶 、索引 這些本身就是hive的一種最佳化。