好程序员大数据学习路线分享hive的运行方式

Posted 2022-06-17

好程序员大数据学习路线分享hive的运行方式，hive的属性设置： 1、在cli端设置 (只针对当前的session) 3、在java代码中设置 (当前连接) 2、在配置文件中设置 (所有session有效)

设置属性的优先级依次降低。 cli端只能设置非hive启动需要的属性。(log属性,元数据连接属性)

查找所有属性： hive>set; 查看当前属性的值：通常是hadoop hive> set -v; 模糊查找属性： hive -S -e "set" | grep current; hive -S -e "set" | grep index;

hive变量：system 、 env 、hivevar 、hiveconf

system ：系统级别环境变量(jvm、hadoop等)，可读可写 hive> set system:min.limit = 3; hive> set system:min.limit; system:min.limit=3

env：环境变量 (HADOOP_HOME)，只读不能写。 hive> set env:PWD; env:PWD=/usr/local/hive-1.2.1

hivevar：自定义临时变量(可读可写)

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:自定义临时属性变量(可读可写)

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的运行方式： 1、cli端运行 (临时统计、开发) 2、hive -S -e "hql 语句"; (适合单个hql的query语句) 3、hive -S -f /hql文件; (hql文件的脚本)

不带参数

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

hive在0.9版本以前是不支持的-f 带参数的执行：

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中注释： --注释内容

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

###三、hive 优化 1、环境优化(linux 句柄数、应用内存分配、是否负载等) 2、应用配置属性方面的优化。 3、代码优化(hql，尝试换一种hql的写法)。

1、学会看explain

explain :显示hql查询的计划。 explain extended :显示hql查询的计划。还会显示hql的抽象表达式树。(就是解释器干得事)

explain select from user1;
explain extended select from user1;

一个hql语句将会有一个或者多个stage构成。每一个stage相当于一个mr的job， stage可以是一个Fetch 、 map join 、 limit 等操作。 每一个stage都会按照依赖关系依次执行，没有依赖关系的可以并行执行。

2、对limit的优化：

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

3、对join的优化：

永远是小表驱动大表(小结果集驱动大结果集) 必要时候使用小表标识 /+STREAMTABLE(小表别名)/ 将业务调整为能尽量使用map-side join: hive.auto.convert.join: smalltable: ?尽量避免笛卡尔积的join查询，即便有咯也需要使用on 或者where 来过滤。 hive目前的join 只支持等值连接(= and)。其它的不行

4、使用hive本地模式(在一个jvm里面运行)

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并行执行(stage之间没有相互依赖关系的可以并行执行)

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

6、严格模式：

hive提供的严格模式阻挡三种查询： 1、带有分区的表的查询 2、带有orderby的查询 3、join查询语句，不带on条件 或者 where条件。

7、设置mapper 和 reduce个数

mapper个数太多，启动耗时，个数太少，资源利用不充分 reducer个数太多，启动耗时，个数太少，资源利用不充分

mapper个数： 手动设置：

set mapred.map.tasks=2;

适当调整块大小，从而改变分片数，来改变mapper个数：

通过合并文件小文件来减少mapper个数：

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个数(通常手动设置)：

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里运行task的任务数

9、数据倾斜(查看：Hive优化.docx文档)

数据倾斜：数据某列的值分布不均匀。 造成数据倾斜的原因： 1、原本数据就倾斜 2、hql语句可能造成 3、join 极容易造成 4、count(distinct col) 5、group by语句也容易

解决方法： 1、如果数据本身倾斜，看数据能否直接分离(找到倾斜的数据) 2、将倾斜的数据单独出来计算，然后和正常的数据进行union all 3、将倾斜的数据赋予随机数来进行join查询，均衡每个task的任务量。 4、试图不变需求改写hql语句。

倾斜解决的几个属性设置：

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

10、job数量的控制

连接查询的on中的连接字段类型尽可能相同。 通常是一个简单hql语句生成一个job，有join 、limit 、group by 都将有可能会生成一个独立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
;

分区 、分桶 、索引 这些本身就是hive的一种优化。