在 Apache Hive 中輕鬆生存的12個技巧
Hive 可以讓你在 Hadoop 上使用 SQL,但是在分散式系統上優化 SQL 則有所不同。這裡是讓你可以輕鬆駕馭 Hive 的12個技巧。
Hive 並不是關係型資料庫(RDBMS),但是它大多數時候都表現得像是一個關係型資料庫一樣,它有表、可以運行 SQL、也支持 JDBC 和 ODBC。
這種表現既有好的一面,也有不好的一面:Hive 並不像關係型資料庫那樣執行 SQL 查詢。我在 Hive 上花費了大量時間,光是我自己在工作中就為了優化它花費了超過80個小時。不說你也知道,我就像呆在蜂巢(Hive)旁邊一樣腦袋嗡嗡作響。所以,為了讓你免受這種痛苦,我決定將它們寫出來,以便讓你在你的下一個 Hive 項目中逃離這種折磨。
1、不要使用 MapReduce
不管你是不是覺得 Tez、Spark 或 Impala 能行,但是不要指望 MapReduce。它本身就很慢,比 Hive 還慢。如果你用的是 Hortonwork 的版本,你可以在腳本前面寫上 set hive.execution.engine=tez
;用 Cloudera 的話,使用 Impala。如果 Impala 不適用的話,我希望到時候可以使用 hive.execution.engine=spark
。
2、不要在 SQL 中做字元串匹配
絕不要,特別是在 Hive 中!如果你堅持要在 WHERE 語句中使用 LIKE 匹配,就會產生一個跨產品的警告。本來你的查詢可能只用幾秒鐘,但是使用字元串匹配的話就會變成幾分鐘。最好的辦法是使用那些可以在 Hadoop 中進行搜索的工具,可以試試 Elasticsearch 的 Hive 集成版本 或 Lucidwork 的 Solr,以及 Cloudera Search。關係型資料庫這方面表現並不好,但是 Hive 則更糟糕。
3、不要用表連接子查詢
你最好創建一個臨時表,然後對這個臨時表進行連接,而不是讓 Hive 自己智能處理子查詢。即不要這樣做:
select a.* from something a inner join
(select ... from somethingelse union b select ... from anotherthing c) d
on a.key1 = d.key1 and a.key2 = b.key2 where a.condition=1
而是應該這樣:
create var_temp as select ... from somethingelse b
union select ... from anotherthing c
and then
select a.* from something a inner join from var_temp b
where a.key1=b.key1 and a.key2=b.key2 where a.condition=1
一般來說,這會比 Hive 自己處理子查詢要快許多。
4、使用 Parquet 或 ORC,但是不要轉換使用
也就是說,使用 Parquet 或 ORC 而不要用 TEXTFILE。然而,如果你要把文本數據中導入到更具結構性的數據中,應該做一些轉換再導入到目標表中。你不應該用 LOAD DATA
將文本文件載入到 ORC 中,而是應該將其載入到一個文本中。
如果你要創建另外一個表,並最終大多數分析都是對它進行的,那麼你就該對該表進行 ORC 化,因為轉換到 ORC 或 Parquet 要花費很多時間,並不值得將其放到你的 ETL 處理中。如果你有一個簡單的普通文本要導入,也沒做過任何優化,你應該將其載入到一個臨時表並通過 select create
放到 ORC 或 Parquet 中。不過,這有點慢。
5、開關矢量化試試
在你的腳本前面加上 set hive.vectorized.execution.enabled = true
和set hive.vectorized.execution.reduce.enabled = true
,然後試著打開或關閉它們看看。因為最近版本的 Hive 的矢量化有點問題。
6、不要在表連接中使用 structs
我必須承認我大腦裡面的 SQL 格式還是 SQL-92 時代的,所以我無論如何都不會想到去用 structs。但是如果你做一些超級複雜的操作,比如在聯合主鍵上使用 ON
語句,那麼 structs 就很方便。不幸的是,Hive 對它們很不適應,特別是在 ON
語句上。當然,大多數情況下,在較小的數據集和 yields 下是沒錯誤的。在 Tez 裡面,你會得到一個有趣的矢量錯誤。這個限制並未見於我所知的任何文檔,也許這是一個探索你的執行引擎內部的好辦法。
7、檢查你的容器大小
你也許需要為 Impala 或 Tez 增加你的容器大小。如果有你的節點大小比較大,「推薦的」容器大小可能就不適用於你的系統。你也許需要確保你的 YARN 隊列和常規的 YARN 內存大小合適。你也許應該注意默認的隊列並不適合所有的常規使用。
8、啟用統計
Hive 在表連接時會做一些蠢事,除非啟用了統計。你也可以在 Impala 中使用查詢提示。
9、考慮 MapJoin 優化
如果你分析你的查詢,你可能發現最新的 Hive 已經可以足夠智能地進行自動優化了。但是你也許需要再調整一下。
10、如果可以,將大表放到最後
如標題。
11、分區總會幫到你,不管多少
如果你有一個出現在許多地方的東西,比如語句中的日期(但不是日期範圍)或重複的地點,你也許應該做分區。分區的基本意思是「拆分到它自己的目錄裡面」,而不是到一個大的文件中去查找。當你在你的 join/where 語句中僅檢索 location=』NC』
這樣一個小數據集時,Hive 就可以在一個文件中查找。此外,和列值不同,你可以在你的 LOAD DATA
語句中加上分區。另外,要記住,HDFS 並不喜歡小文件。
12、使用哈希進行列比較
如果你要在每個查詢中比較同樣的10個欄位,可以考慮使用 hash()
來比較它們的校驗值。在一個輸出表中展示它們也許很有用。注意,在 Hive 0.12 中,哈希功能比較差,0.13中的哈希更好一些。
以上就是我的12點經驗,我希望這些能夠幫到你,讓你從 Hive 的嗡嗡聲中逃離出來。
本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive