验证 Hive 单查询和多查询并行性

Posted 2023-04-14

【中文标题】验证 Hive 单查询和多查询并行性

【英文标题】：Validate Hive Single and Multi Query Parallelism

【发布时间】：2021-01-04 15:22:33

【问题描述】：

我使用以下 hive-site.xml 属性配置了 Hive 并行性并重新启动了集群

属性 1

Name: hive.exec.parallel
Value: true
Description: Run hive jobs in parallel

属性 2

Name: hive.exec.parallel.thread.number
Value: 8 (default)
Description: Maximum number of hive jobs to run in parallel

为了测试并行性，我创建了以下 2 个条件：

1。 file.hql 中的单个查询并以hive -f file.hql 运行它

SELECT COL1, COL2 FROM TABLE1
UNION ALL
SELECT COL3, COL4 FROM TABLE2

结果：

当 hive.exec.parallel = true 时， 耗时：28.015 秒， MapReduce CPU 总耗时：3 秒 10 毫秒

当 hive.exec.parallel = false 时， 耗时：24.778 秒， MapReduce CPU 总时间花费：3 秒 90 毫秒。

2。如下2个不同文件中的独立查询并以nohup hive -f file1.hql & nohup hive -f file2.hql运行它

select count(1) from t1 -> file1.sql
select count(1) from t2 -> file2.sql

结果：

当 hive.exec.parallel = false 时， 耗时：29.391 秒， MapReduce CPU 总耗时：1 秒 890 毫秒

问题：

如何检查以上 2 个条件是否确实并行运行？ 在控制台中，我看到的结果好像查询是按顺序运行的一样。

为什么当 hive.exec.parallel = true 时花费的时间更多？如何查看 hive 多个阶段被利用？

谢谢，

【参考方案1】：

当Hive执行引擎为MR时（hive.execution.engine=mr），Hive将查询表示为一个或多个Map-Reduce作业，这些作业（每个都包含Map和reduce）可以尽可能并行执行. 例如这个查询：

SELECT COL1, COL2 FROM TABLE1
UNION
SELECT COL3, COL4 FROM TABLE2

可以作为 3 个作业执行： 1 - 从表 1 中选择， 2-选择表2， 3-UNION（不同）

前两个作业可以并行执行，第三个作业在第一个和第二个完成后执行。

更复杂的查询可以通过这些参数执行多个 MR 作业：

hive.exec.parallel 和 hive.exec.parallel.thread.number 允许在 MR 上为单个查询并行执行作业。

您可以在 Job Tracker 上查看作业，URL 会在执行期间打印在日志中。您可以在日志中看到一些作业已启动以及它们的执行进度。

如果在 Tez 执行引擎上运行(hive.execution.engine=Tez)，Hive 将查询表示为单个优化的 DAG，省略了不必要的步骤，例如将中间结果写入持久存储并使用映射器再次读取它们。 DAG 中所有可以并行执行的顶点都在并行执行。在 Tez 上运行时，相同的设置不起作用。它始终在 Tez 上并行运行。相同的查询将表示为 2 个映射器顶点（并行运行）和最后运行的减速器。最后一个 reducer 也可以在 mappers 快完成时提前启动。

设置 hive.exec.parallel 和 hive.exec.parallel.thread.number 不会影响 Tez 上查询的并行性，它们也不适用于单个脚本中的两个单独查询。

单个脚本中的两个单独的查询一个接一个地运行，而不是并行的（每个都有自己的任务并行性）

两个 hive 会话（如上一个示例）并行运行（取决于可用的集群资源）

可以使用time Unix command 测量时间差异。 Hive 报告的时间是集群时间。如果集群没有可用资源，并行任务可以等待资源。使用 Job tracker 检查执行期间究竟发生了什么。

所以，实际上有不同种类的并行。

MR 上的单查询作业并行性 - 您要求的参数适用于这种类型。

Hive 会话并行运行 - 这些参数不会影响它。

Tez 顶点并行度 - 这些参数不影响它

并行执行同一个顶点实例（mapper或reducer，每个都可以启动多个）——它们是并行运行的——这些参数不影响它

【讨论】：

谢谢@leftjoin。正如您所说，hive.exec.parallel 仅适用于条件 1。parelleism = true -> 34 秒的执行时间。 parelleism = false -> 40 秒

对于条件 2，我猜不需要设置 hive.exec.parallel 参数。不管并行度=真/假，执行时间几乎相似。如果为真，则为 40 秒。假时，38 / 41 秒。

@user1 是的，它可以是任何数字。如果没有什么可并行的，它也可以工作。对于 select count(1) from t1 - 这里没有什么可以并行执行。但您可以在所有情况下保留这些设置。

@user1 影响性能的因素：矢量化 - 矢量化有很多参数。并非所有这些都适用于镶木地板和复杂类型。映射器和减速器并行性（我的答案中的最后一个），另请参阅***.com/a/48296562/2700344 - 使用这些设置

@user1 MR 的映射器并行性：***.com/a/48487306/2700344