hive上億級別的表關聯如何調優

這篇文章主要介紹了hive上億級別的表關聯如何調優，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

環境：公司決定使用寬表，將10個相關的大表進行全量關聯

（1個上億級別的表，5個上千萬的表，剩下的表都不到百萬的表）

花了兩天的時間研究，測試

例如： a~g這幾個表中，a表為上億級別的表，5個上千萬的表，剩下為表都百萬的表

select a.uesrid,b.citycode,b.register_num,  ...  ,g.active_num 
from
(select userid,citycode from a)
left outer join
(select userid,register_num from b)
on (a.userid=b.userid)
...
left outer join
(select userid,active_num from g)
on (a.userid=b.userid)

你會發現
最后一個job異常慢，并且reduce為1。

也多人會說，你傻逼呀，設置reduce數呀，對這是一個好辦法，但是結果如何呢？

#設置傳輸格式
set mapred.output.compress=true;  
set hive.exec.compress.output=true;
set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;
set io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec;
#設置200個reduces
set mapred.reduce.tasks=200; 
#設置并行（甚至還。。。設置并行）    
set hive.exec.parallel=true;
set hive.exec.parallel.thread.number=16; //同一個sql允許最大并行度，默認為8

草，我就是按照網上各種教程，測試了一整天，還是最后一個reduce為1；（我可是上億級別噢！！！）

hive自動分配reduce的計算方法

1. hive.exec.reducers.bytes.per.reducer（默認為1000^3）

2. hive.exec.reducers.max（默認為999）

計算reducer數的公式很簡單：

N=min(參數2，總輸入數據量/參數1)

然后查詢得知：

reduce為1，是因為：

1. 沒有使用group by

2. 使用了order by

3. 笛卡爾積

我TM都使了一遍，還是reduce=1，我當時很無語，就尼瑪不能再做清楚一點嗎？（我可是小白呀！！！）

時間：3個小時都沒跑完，一直都是83%

所以hadoop，看到了這個語句，就會分配一個reduce

如何欺騙hive分配reduce呢？

然后修改腳本（當然上面的 設置reduce數 這個不能少噢）

# 如何欺騙hive多分配reduce
select a.uesrid,b.citycode,sum(b.register_num),  ...  ,sum(g.active_num)  # 求聚合函數
from
(select userid,citycode from x)     # x,y表示這幾個表中最小的一個表
full outer join
(select userid,unregister from ｙ)     # x,y表示這幾個表中最小的一個表
on (x.userid=y.userid)        # （可交替的設置 y.userid=b.userid）
full outer join 
(select userid,register_num from b)
on (x.userid=b.userid)         # 關聯條件，都用小表進行關聯
...
right outer join
(select userid,active_num from a)  # 最大的表放在最后
on (y.userid=a.userid)     # （可交替的設置 y.userid=b.userid）
group by a.userid,b.citycode;   # 最后進行group by

1. 使用聚合函數，加 group by

2. 然后小表放在前面（有人說：我TM要所有的信息，那你就用全連接唄）

3. 然后大表一般就往后排，從小到大，一順排下來就行

這樣就能欺騙hive分配多個reduce，達到調優的效果

時間：15分鐘不到，興奮到高潮了嗎？哈哈

缺點：

1. 生成200個文件，比較麻煩

2. 設置并行，對性能要求有點高，所以適度設置并行數量就行

并行參數，僅做參考

當參數為false的時候,三個job是順序的執行 

set hive.exec.parallel=false;

但是可以看出來其實兩個子查詢中的sql并無關系,可以并行的跑

set hive.exec.parallel=true;

hive> set hive.exec.parallel.thread.number;   （如果機器一般，可以并行設置3，感覺比較合理）

hive.exec.parallel.thread.number=8    默認并行數為8

感謝你能夠認真閱讀完這篇文章，希望小編分享的“hive上億級別的表關聯如何調優”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!