Hive中Parquet格式的使用

Posted 2023-04-25

参考技术A #Hive建外部External表（外部表external table）：

#

#添加分区并加载分区数据：

alter table table_name add partition (proc_date='$hivevar:pdate') location '...'（不改变源数据存储位置）

alter table table_name add if not exsit partition (proc_date='$hivevar:pdate') location 'hdfs://hdfscluster/'

load data inpath '...' into table table_name partition(proc_date='$hivevar:pdate');（会将源数据切到hive表指定的路径下）

#删除分区： alter table table_name drop if exists partition(proc_date='$hivevar:pdate');

#

使用Hive SQL插入动态分区的Parquet表OOM异常分析

温馨提示：要看高清无码套图，请使用手机打开并单击图片放大查看。

Fayson的github：https://github.com/fayson/cdhproject

提示：代码块部分可以左右滑动查看噢

1.异常描述

---

当运行“INSERT ... SELECT”语句向Parquet或者ORC格式的表中插入数据时，如果启用了动态分区，你可能会碰到以下错误，而导致作业无法正常执行。

Hive客户端：

Task with the most failures(4):
Diagnostic Messages for this Task:
Error: GC overhead limit exceeded
...
FAILED: Execution Error, return code 2 from org.apache.hadoop.hive.ql.exec.mr.MapRedTask
MapReduce Jobs Launched:
Stage-Stage-1: Map: 1 HDFS Read: 0 HDFS Write: 0 FAIL
Total MapReduce CPU Time Spent: 0 msec

（可左右滑动）

YARN的8088中查看具体map task报错：

2017-10-27 17:08:04,317 FATAL [main] org.apache.hadoop.mapred.YarnChild: Error running child : java.lang.OutOfMemoryError: GC overhead limit exceeded

（可左右滑动）

2.异常分析

---

Parquet和ORC是列式批处理文件格式。这些格式要求在写入文件之前将批次的行（batches of rows）缓存在内存中。在执行INSERT语句时，动态分区目前的实现是：至少为每个动态分区目录打开一个文件写入器（file writer）。由于这些缓冲区是按分区维护的，因此在运行时所需的内存量随着分区数量的增加而增加。所以经常会导致mappers或reducers的OOM，具体取决于打开的文件写入器（file writer）的数量。

 

通过INSERT语句插入数据到动态分区表中，也可能会超过HDFS同时打开文件数的限制。

 

如果没有join或聚合，INSERT ... SELECT语句会被转换为只有map任务的作业。mapper任务会读取输入记录然后将它们发送到目标分区目录。在这种情况下，每个mapper必须为遇到的每个动态分区创建一个新的文件写入器（file writer）。mapper在运行时所需的内存量随着它遇到的分区数量的增加而增加。

3.异常重现与解决

3.1.生成动态分区的几个参数说明

---

hive.exec.dynamic.partition

 

默认值：false

 

是否开启动态分区功能，默认false关闭。

 

使用动态分区时候，该参数必须设置成true;

 

 

hive.exec.dynamic.partition.mode

 

默认值：strict

 

动态分区的模式，默认strict，表示必须指定至少一个分区为静态分区，nonstrict模式表示允许所有的分区字段都可以使用动态分区。

 

一般需要设置为nonstrict

 

 

hive.exec.max.dynamic.partitions.pernode

 

默认值：100

 

在每个执行MR的节点上，最大可以创建多少个动态分区。

 

该参数需要根据实际的数据来设定。

 

比如：源数据中包含了一年的数据，即day字段有365个值，那么该参数就需要设置成大于365，如果使用默认值100，则会报错。

 

 

hive.exec.max.dynamic.partitions

 

默认值：1000

 

在所有执行MR的节点上，最大一共可以创建多少个动态分区。

 

同上参数解释。

 

 

hive.exec.max.created.files

 

默认值：100000

 

整个MR Job中，最大可以创建多少个HDFS文件。

 

一般默认值足够了，除非你的数据量非常大，需要创建的文件数大于100000，可根据实际情况加以调整。

 

mapreduce.map.memory.mb

 

map任务的物理内存分配值，常见设置为1GB,2GB,4GB等。

 

mapreduce.map.java.opts

 

map任务的Java堆栈大小设置，一般设置为小于等于上面那个值的75%，这样可以保证map任务有足够的堆栈外内存空间。

 

mapreduce.input.fileinputformat.split.maxsize

mapreduce.input.fileinputformat.split.minsize

 

这个两个参数联合起来用，主要是为了方便控制mapreduce的map数量。比如我设置为1073741824，就是为了让每个map处理1GB的文件。

3.2.一个例子

---

Fayson在前两天给人调一个使用Hive SQL插入动态分区的Parquet表时，总是报错OOM，也是折腾了很久。以下我们来看看整个过程。

 

1.首先我们看看执行脚本的内容，基本其实就是使用Hive的insert语句将文本数据表插入到另外一张parquet表中，当然使用了动态分区。

2.我们看看原始数据文件，是文本文件，一共120个，每个30GB大小，总共差不多3.6TB。

3.我们看看报错

4.因为是一个只有map的mapreduce任务，当我们从YARN的8088观察这个作业时可以发现，基本没有一个map能够执行成功，全部都是失败的。报上面的错误。

5.把mapreduce.map.memory.mb从2GB增大到4GB，8GB，16GB，相应mapreduce.map.java.opts增大到3GB，6GB，12GB。依旧报错OOM。

6.后面又将mapreduce.input.fileinputformat.split.maxsize从1GB，减少为512MB，256MB，从而增大map数量，缩小单个map处理文件的大小。依旧报错OOM。

7.最后启用hive.optimize.sort.dynamic.partition，增加reduce过程，作业执行成功。

8.最后查看结果文件大约1.2TB，约为输入文件的三分之一。一共1557个分区，最大的分区文件为2GB。

4.异常总结

---

对于这个异常，我们建议有以下三种方式来处理：

1.启用hive.optimize.sort.dynamic.partition，将其设置为true。通过这个优化，这个只有map任务的mapreduce会引入reduce过程，这样动态分区的那个字段比如日期在传到reducer时会被排序。由于分区字段是排序的，因此每个reducer只需要保持一个文件写入器（file writer）随时处于打开状态，在收到来自特定分区的所有行后，关闭记录写入器（record writer），从而减小内存压力。这种优化方式在写parquet文件时使用的内存要相对少一些，但代价是要对分区字段进行排序。

SET hive.optimize.sort.dynamic.partition=true; 
INSERT OVERWRITE TABLE [table] SELECT ...

2.第二种方式就是增加每个mapper的内存分配，即增大mapreduce.map.memory.mb和mapreduce.map.java.opts，这样所有文件写入器（filewriter）缓冲区对应的内存会更充沛。

3.将查询分解为几个较小的查询，以减少每个查询创建的分区数量。这样可以让每个mapper打开较少的文件写入器（file writer）。

 

备注：

默认情况下，Hive为每个打开的Parquet文件缓冲区（file buffer）分配128MB。这个buffer大小由参数parquet.block.size控制。为获得最佳性能，parquet的buffer size需要与HDFS的block size保持对齐（比如相等），从而使每个parquet文件在单个HDFS的块中，以便每个I/O请求都可以读取整个数据文件，而无需通过网络传输访问后续的block。

 

-- set Parquetbuffer size to 256MB (in bytes)
set parquet.block.size=268435456;

 

参考：

​​https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties​​

​​http://blog.cloudera.com/blog/2014/03/how-to-use-parquet-with-impala-hive-pig-mapreduce/​​

​​https://www.cloudera.com/documentation/enterprise/latest/topics/cdh_ig_parquet.html​​

​​https://issues.cloudera.org/browse/IMPALA-2521​​

​​https://issues.apache.org/jira/browse/HIVE-6455​​

提示：代码块部分可以左右滑动查看噢

为天地立心，为生民立命，为往圣继绝学，为万世开太平。

温馨提示：要看高清无码套图，请使用手机打开并单击图片放大查看。

推荐关注Hadoop实操，第一时间，分享更多Hadoop干货，欢迎转发和分享。

原创文章，欢迎转载，转载请注明：转载自微信公众号Hadoop实操