【Hive_05】企业调优1(资源配置、explain、join优化)

  • [1、 计算资源配置](#1、 计算资源配置)

    • [1.1 Yarn资源配置](#1.1 Yarn资源配置)
    • [1.2 MapReduce资源配置](#1.2 MapReduce资源配置)
  • [2、 Explain查看执行计划(重点)](#2、 Explain查看执行计划(重点))

    • [2.1 Explain执行计划概述](#2.1 Explain执行计划概述)
    • [2.2 基本语法](#2.2 基本语法)
    • [2.3 案例实操](#2.3 案例实操)
  • 3、分组聚合优化

    • [3.1 优化说明](#3.1 优化说明)
      • [(1)map-side 聚合相关的参数](#(1)map-side 聚合相关的参数)
    • [3.2 优化案例](#3.2 优化案例)
  • 4、join优化

    • [4.1 Join算法概述](#4.1 Join算法概述)
      • [(1)Common Join](#(1)Common Join)
      • [(2)Map Join](#(2)Map Join)
      • [(3)Bucket Map Join](#(3)Bucket Map Join)
      • [(4)Sort Merge Bucket Map Join](#(4)Sort Merge Bucket Map Join)
    • [4.2 使用说明](#4.2 使用说明)
      • [(1)map join](#(1)map join)
      • [(2)map join案例](#(2)map join案例)
      • [(3)Bucket Map Join](#(3)Bucket Map Join)
      • [(4)Bucket Map Join案例](#(4)Bucket Map Join案例)
      • [(5) Sort Merge Bucket Map Join](#(5) Sort Merge Bucket Map Join)
  • 关于调优,重要的是理解每一个优化手段的思路。理解优化需要配置的每个参数的实际作用。

1、 计算资源配置

计算环境为Hive on MR。计算资源的调整主要包括Yarn和MR。

1.1 Yarn资源配置

1)Yarn配置说明

需要调整的Yarn参数均与CPU、内存等资源有关,核心配置参数如下

(1)yarn.nodemanager.resource.memory-mb

该参数的含义是,一个NodeManager节点分配给Container使用的内存。该参数的配置,取决于NodeManager所在节点的总内存容量和该节点运行的其他服务的数量。

考虑上述因素,此处可将该参数设置为64G,如下:

sql 复制代码
<property>
    <name>yarn.nodemanager.resource.memory-mb</name>
    <value>65536</value>
</property>
  • 该参数默认使用8G内存去跑任务。
  • 需要手动调整,一般给到总内存的1/2或者2/3。

(2)yarn.nodemanager.resource.cpu-vcores

该参数的含义是,一个NodeManager节点分配给Container使用的CPU核数。该参数的配置,同样取决于NodeManager所在节点的总CPU核数和该节点运行的其他服务。

考虑上述因素,此处可将该参数设置为16。

sql 复制代码
<property>
    <name>yarn.nodemanager.resource.cpu-vcores</name>
    <value>16</value>
</property>

(3)yarn.scheduler.maximum-allocation-mb

该参数的含义是,单个Container能够使用的最大内存。推荐配置如下:

sql 复制代码
<property>
    <name>yarn.scheduler.maximum-allocation-mb</name>
    <value>16384</value>
</property>

(4)yarn.scheduler.minimum-allocation-mb

该参数的含义是,单个Container能够使用的最小内存,推荐配置如下:

sql 复制代码
<property>
    <name>yarn.scheduler.minimum-allocation-mb</name>
    <value>512</value>
</property>

2)Yarn配置实操

(1)修改$HADOOP_HOME/etc/hadoop/yarn-site.xml文件

(2)修改如下参数

sql 复制代码
<property>
    <name>yarn.nodemanager.resource.memory-mb</name>
    <value>65536</value>
</property>
<property>
    <name>yarn.nodemanager.resource.cpu-vcores</name>
    <value>16</value>
</property>
<property>
    <name>yarn.scheduler.maximum-allocation-mb</name>
    <value>16384</value>
</property>
<property>
    <name>yarn.scheduler.minimum-allocation-mb</name>
    <value>512</value>
</property>

(3)分发该配置文件

(4)重启Yarn。

1.2 MapReduce资源配置

MapReduce资源配置主要包括Map Task的内存和CPU核数,以及Reduce Task的内存和CPU核数。核心配置参数如下:

1)mapreduce.map.memory.mb

该参数的含义是,单个Map Task申请的container容器内存大小,其默认值为1024。该值不能超出yarn.scheduler.maximum-allocation-mb和yarn.scheduler.minimum-allocation-mb规定的范围。

该参数需要根据不同的计算任务单独进行配置,在hive中,可直接使用如下方式为每个SQL语句单独进行配置:

sql 复制代码
set  mapreduce.map.memory.mb=2048;

2)mapreduce.map.cpu.vcores

该参数的含义是,单个Map Task申请的container容器cpu核数,其默认值为1。该值一般无需调整。

3)mapreduce.reduce.memory.mb

该参数的含义是,单个Reduce Task申请的container容器内存大小,其默认值为1024。该值同样不能超出yarn.scheduler.maximum-allocation-mb和yarn.scheduler.minimum-allocation-mb规定的范围。

该参数需要根据不同的计算任务单独进行配置,在hive中,可直接使用如下方式为每个SQL语句单独进行配置:

sql 复制代码
set  mapreduce.reduce.memory.mb=2048;

4)mapreduce.reduce.cpu.vcores

该参数的含义是,单个Reduce Task申请的container容器cpu核数,其默认值为1。该值一般无需调整。

2、 Explain查看执行计划(重点)

2.1 Explain执行计划概述

Explain呈现的执行计划,由一系列Stage组成,这一系列Stage具有依赖关系,每个Stage对应一个MapReduce Job,或者一个文件系统操作等。

  • stage可以对应mr,也可以对应文件系统操作。因为不是所有的sql语句的底层都是mr。比如说load语句,底层就不是mr而是文件系统操作。
  • 有些sql复杂,需要多个mr才能计算,这个时候对应的也就有多个stage,多个stage之间也是有依赖关系的。依赖关系也就表明了哪个mr先执行,哪个后面执行。

若某个Stage对应的一个MapReduce Job,其Map端和Reduce端的计算逻辑分别由Map Operator Tree和Reduce Operator Tree进行描述,Operator Tree由一系列的Operator组成,一个Operator代表在Map或Reduce阶段的一个单一的逻辑操作,例如TableScan Operator,Select Operator,Join Operator等。

下图是由一个执行计划绘制而成:

常见的Operator及其作用如下:

  • TableScan:表扫描操作,通常map端第一个操作肯定是表扫描操作
  • Select Operator:选取操作
  • Group By Operator:分组聚合操作
  • Reduce Output Operator:输出到 reduce 操作
  • Filter Operator:过滤操作, 对应sql语句的where或者having
  • Join Operator:join 操作
  • File Output Operator:文件输出操作
  • Fetch Operator 客户端获取数据操作,因为进行查询之后,会把数据写入到hdfs的临时表当中,通过fetch可以展示在终端。

2.2 基本语法

  • 基本语法其实就是在sql的最前面加上explain
sql 复制代码
EXPLAIN [FORMATTED | EXTENDED | DEPENDENCY] query-sql

注:FORMATTED、EXTENDED、DEPENDENCY关键字为可选项,各自作用如下。

  • FORMATTED:将执行计划以格式化的JSON字符串的形式输出
  • EXTENDED:输出执行计划中的额外信息,通常是读写的文件名等信息
  • DEPENDENCY:输出执行计划读取的表及分区

2.3 案例实操

sql 复制代码
hive (default)> 
explain
select
    user_id,
    count(*)
from order_detail
group by user_id;



3、分组聚合优化

3.1 优化说明

Hive中未经优化的分组聚合,是通过一个MapReduce Job实现的。Map端负责读取数据,并按照分组字段分区,通过Shuffle,将数据发往Reduce端,各组数据在Reduce端完成最终的聚合运算。

  • 聚合之后数据量不可能变大,但是有可能数据量不变。

Hive对分组聚合的优化主要围绕着减少Shuffle数据量进行,具体做法是map-side聚合。所谓map-side聚合,就是在map端维护一个hash table,利用其完成部分的聚合,然后将部分聚合的结果,按照分组字段分区,发送至reduce端,完成最终的聚合。map-side聚合能有效减少shuffle的数据量,提高分组聚合运算的效率。

(1)map-side 聚合相关的参数

1、启用map-side聚合

sql 复制代码
set hive.map.aggr=true;
  • 该参数默认是开启的。

2、用于检测源表数据是否适合进行map-side聚合。检测的方法是:先对若干条数据进行map-side聚合,若聚合后的条数和聚合前的条数比值小于该值,则认为该表适合进行map-side聚合;否则,认为该表数据不适合进行map-side聚合,后续数据便不再进行map-side聚合。

sql 复制代码
set hive.map.aggr.hash.min.reduction=0.5;
  • 如果hive.map.aggr.hash.min.reduction的值为1,则所有的数据不会判断,直接全部进行map端聚合。

3、用于检测源表是否适合map-side聚合的条数。

sql 复制代码
set hive.groupby.mapaggr.checkinterval=100000;

4、map-side聚合所用的hash table,占用map task堆内存的最大比例,若超出该值,则会对hash table进行一次flush。

sql 复制代码
set hive.map.aggr.hash.force.flush.memory.threshold=0.9;

3.2 优化案例

sql 复制代码
select
    product_id,
    count(*)
from order_detail
group by product_id;

1、优化前(跑了46s)

sql 复制代码
set hive.map.aggr=false;

手动将该参数设置为false

2、优化后(跑了46s)

原因:和product_id的分组字段在这张表上的分布有关,因为hive在进行hive.groupby.mapaggr.checkinterval这个参数的校验时不是随机的去进行校验,只会对每个map的前面一部分数据进行判断。可能恰好前面的数据在进行分组聚合的时候,product_id的值都相同。

  • 也就是hive判断是否适合分组聚合的不是很智能,这个时候我们可以让其强制进行分组聚合。
sql 复制代码
set hive.map.aggr.hash.min.reduction=1;

此时时间跑了32秒,比之前快了10秒。

  • 按道理product_id只有100万数据,为什么这里map端输出的数据会大于100万?原因是因为触发了flush,也就是上面的第四个参数。例如,在flush之前已经有product_id=1的数据了,flush之后会重新用一个hash table,这样product_id可能就会输出多次了。

那么如果flush的次数多了,分组聚合的效果也不会很好,这个时候可以怎么办?

1、调整参数阈值。

sql 复制代码
set hive.map.aggr.hash.force.flush.memory.threshold=0.9;

2、如果调整之后效果还是不明显,说明hive的总内存小,则可以调整下面这个参数:

sql 复制代码
set  mapreduce.map.memory.mb=2048;

4、join优化

4.1 Join算法概述

Hive拥有多种join算法,包括Common Join,Map Join,Bucket Map Join,Sort Merge Buckt Map Join等,下面对每种join算法做简要说明:

(1)Common Join

Common Join是Hive中最稳定的join算法,其通过一个MapReduce Job完成一个join操作。Map端负责读取join操作所需表的数据,并按照关联字段进行分区,通过Shuffle,将其发送到Reduce端,相同key的数据在Reduce端完成最终的Join操作。如下图所示:

  • 如果是A join B join C ,这种时候是使用1个MR还是2个MR呢?
  • 如果join的字段都是相同的,这种时候没有必要使用两个MR,一个MR就够了,如下图所示。
  • 如果join的字段不相同,就不能使用一个MR,因为map分区的字段不同的。这种情况下只能A和B去进行common join,之后在对join之后的中间结果与C表进行另一个common join。

因此,sql语句中的join操作和执行计划中的Common Join任务并非一对一的关系,一个sql语句中的相邻的且关联字段相同的多个join操作可以合并为一个Common Join任务。

例如:

sql 复制代码
hive (default)> 
select 
    a.val, 
    b.val, 
    c.val 
from a 
join b on (a.key = b.key1) 
join c on (c.key = b.key1)

上述sql语句中两个join操作的关联字段均为b表的key1字段,则该语句中的两个join操作可由一个Common Join任务实现,也就是可通过一个Map Reduce任务实现。

sql 复制代码
hive (default)> 
select 
    a.val, 
    b.val, 
    c.val 
from a 
join b on (a.key = b.key1) 
join c on (c.key = b.key2)

上述sql语句中的两个join操作关联字段各不相同,则该语句的两个join操作需要各自通过一个Common Join任务实现,也就是通过两个Map Reduce任务实现。

(2)Map Join

Map Join有两种触发方式,一种是用户在SQL语句中增加hint提示,另外一种是Hive优化器根据参与join表的数据量大小,自动触发。

Map Join算法可以通过两个只有map阶段的Job完成一个join操作。其适用场景为大表join小表。若某join操作满足要求,则第一个job会读取小表数据,将其制作为hash table,并上传至Hadoop 分布式缓存(本质上是上传至HDFS)。第二个job会先从分布式缓存中读取小表数据,并缓存在Map Task 的内存中,然后扫描大表数据,这样在map端即可完成关联操作。如下图所示:

  • 在map阶段完成join,比在reduce阶段完成join的效率要更高,因为这样可以省去shuffle的时间。
  • map join核心的点在于:要将小表的数据都缓存到mapper的内存里面,所以map join有瓶颈:不能适用于大表join大表的情况。
  • 但是并不是所有的join都能在map阶段完成,适用场景是:大表join小表。

(3)Bucket Map Join

Bucket Map Join是对Map Join算法的改进,其打破了Map Join只适用于大表join小表的限制,可用于大表join大表的场景。

Bucket Map Join的核心思想是:【要满足下面几个条件】

1、参与join的表均为分桶表

2、关联字段为分桶字段

3、其中一张表的分桶数量是另外一张表分桶数量的整数倍

满足上面三个条件则能保证参与join的两张表的分桶之间具有明确的关联关系,就可以在两表的分桶间进行Map Join操作了。

这样一来,第二个Job的Map端就无需再缓存小表的全表数据了,而只需缓存其所需的分桶即可。其原理如图所示:

  • bucket map join和map join的核心原理是一致的,同样是分两个阶段去做,第一个阶段也是要由本地任务去读取相对来说小一点的表的数据,这里读B的数据,之后制作hash表。这里hash表是根据分桶的数据操作的。
  • 有几个桶就会有几个mapper。

(4)Sort Merge Bucket Map Join

Sort Merge Bucket Map Join(简称SMB Map Join)基于Bucket Map Join。SMB Map Join要求,参与join的表均为分桶表,且需保证分桶内的数据是有序的,且分桶字段、排序字段和关联字段为相同字段,且其中一张表的分桶数量是另外一张表分桶数量的整数倍。

SMB Map Join同Bucket Join一样,同样是利用两表各分桶之间的关联关系,在分桶之间进行join操作,不同的是,分桶之间的join操作的实现原理。Bucket Map Join,两个分桶之间的join实现原理为Hash Join算法;而SMB Map Join,两个分桶之间的join实现原理为Sort Merge Join算法。

Hash Join和Sort Merge Join均为关系型数据库中常见的Join实现算法。Hash Join的原理相对简单,就是对参与join的一张表构建hash table,然后扫描另外一张表,然后进行逐行匹配。Sort Merge Join需要在两张按照关联字段排好序的表中进行,其原理如图所示:

SMB Map Join与Bucket Map Join相比的优势是什么?

1、不需要在制作hash表,分桶在匹配的时候也不需要使用hash表。

2、对内存的要求更低,不需要将桶在放到第二个join的内存当中,因为桶内的数据已经有序了。

  • Hive中的SMB Map Join就是对两个分桶的数据按照上述思路进行Join操作。可以看出,SMB Map Join与Bucket Map Join相比,在进行Join操作时,Map端是无需对整个Bucket构建hash table,也无需在Map端缓存整个Bucket数据的,每个Mapper只需按顺序逐个key读取两个分桶的数据进行join即可。

4.2 使用说明

(1)map join

Map Join有两种触发方式,一种是用户在SQL语句中增加hint提示,另外一种是Hive优化器根据参与join表的数据量大小,自动触发。

1)Hint提示

用户可通过如下方式,指定通过map join算法,并且ta将作为map join中的小表。这种方式已经过时,不推荐使用。

sql 复制代码
hive (default)> 
select /*+ mapjoin(ta) */
    ta.id,
    tb.id
from table_a ta
join table_b tb
on ta.id=tb.id;

2)自动触发

Hive在编译SQL语句阶段,起初所有的join操作均采用Common Join算法实现。

之后在物理优化阶段,Hive会根据每个Common Join任务所需表的大小判断该Common Join任务是否能够转换为Map Join任务,若满足要求,便将Common Join任务自动转换为Map Join任务。

但有些Common Join任务所需的表大小,在SQL的编译阶段是未知的(例如对子查询进行join操作),所以这种Common Join任务是否能转换成Map Join任务在编译阶是无法确定的。

针对这种情况,Hive会在编译阶段生成一个条件任务(Conditional Task),其下会包含一个计划列表,计划列表中包含转换后的Map Join任务以及原有的Common Join任务。

  • 这个条件任务会包含所有可能的map join任务。
  • 原有的Common Join任务是作为一个后备任务的。

最终具体采用哪个计划,是在运行时决定的。大致思路如下图所示:

  • 在表已知大小的情况下,就不需要使用这个conditional task了。

假设现在是a表 join b表

寻找大表候选人阶段:

1、如果是left join,则大表候选人为a表。

2、如果是inner join,则大表候选人为a表和b表。

3、如果是right join,则大表候选人为b表。

4、如果是full join,则这种情况下无法进行map join。因为这时候必须保证返回a和b的全部数据。但是map join的原理是缓存大表,遍历小表,因此无法做到。

图中涉及到的参数如下:

1、启动Map Join自动转换

sql 复制代码
set hive.auto.convert.join=true;

2、一个Common Join operator转为Map Join operator的判断条件,若该Common Join相关的表中,存在n-1张表的已知大小总和<=该值,则生成一个Map Join计划,此时可能存在多种n-1张表的组合均满足该条件,则hive会为每种满足条件的组合均生成一个Map Join计划,同时还会保留原有的Common Join计划作为后备(back up)计划,实际运行时,优先执行Map Join计划,若不能执行成功,则启动Common Join后备计划。

sql 复制代码
set hive.mapjoin.smalltable.filesize=250000;

3、开启无条件转Map Join

sql 复制代码
set hive.auto.convert.join.noconditionaltask=true;

4、无条件转Map Join时的小表之和阈值,若一个Common Join operator相关的表中,存在n-1张表的大小总和<=该值,此时hive便不会再为每种n-1张表的组合均生成Map Join计划,同时也不会保留Common Join作为后备计划。而是只生成一个最优的Map Join计划。

sql 复制代码
set hive.auto.convert.join.noconditionaltask.size=10000000;

(2)map join案例

(1)首先查看下面的sql语句优化前是如何执行的。

  • 可以看到这是多表join,并且关联的字段是不同的。字段不同,因此是两个common join task。

不进行优化,所以下面这个参数需要关闭,下面这个参数是自动进行map join优化的子开关。

sql 复制代码
set hive.auto.convert.join=false;

使用explain查看执行计划

  • stage1做了什么?

stage1的第一个tablescan

stage1的第二个tablescan

stage1的reduce阶段

  • stage2做了什么?

经过上面的分析发现:

我们自己写的sql语句的多表join的顺序,和真正执行计划当中表的join顺序是不同的。hive会选取最小代价的方式进行多表join。

(2)优化思路

  • 进行优化的时候,必须考虑表的大小,不能脱离表的大小去考虑优化思路。

经分析,参与join的三张表,数据量如下

表名 大小
order_detail 1176009934(约1122M)【大表】
product_info 25285707(约24M)【小表】
province_info 369(约0.36K)【小表】

注:可使用如下语句获取表/分区的大小信息

java 复制代码
hive (default)> 
desc formatted table_name partition(partition_col='partition');

通过partition(partition_col='partition'),这个参数,则只会打印'partition这个分区的信息了。

三张表中,product_info和province_info数据量较小,可考虑将其作为小表,进行Map Join优化。

根据前文Common Join任务转Map Join任务的判断逻辑图,可得出以下优化方案:

方案一:(9min41s)

启用Map Join自动转换。

java 复制代码
hive (default)> 
set hive.auto.convert.join=true;

不使用无条件转Map Join,因此会产生条件任务。

java 复制代码
hive (default)> 
set hive.auto.convert.join.noconditionaltask=false;

调整hive.mapjoin.smalltable.filesize参数,使其大于等于product_info。这样的话可以保证product_info表和province_info表都放到内存里面。

java 复制代码
hive (default)> 
set hive.mapjoin.smalltable.filesize=25285707;

这样可保证将两个Common Join operator均可转为Map Join operator,并保留Common Join作为后备计划,保证计算任务的稳定。

调整优化参数之后再次查看执行计划:

  • stage5和stage6是将第三张表和中间结果各自当成大表,生成的执行任务。

将流程图放大如下所示:

方案二:(4min52s)

启用Map Join自动转换。

java 复制代码
hive (default)> 
set hive.auto.convert.join=true;

使用无条件转Map Join。也就是不需要条件任务了。因为我们三张表的大小都知道了,就不需要了。

java 复制代码
hive (default)> 
set hive.auto.convert.join.noconditionaltask=true;

没有条件任务之后,就不用再调整hive.mapjoin.smalltable.filesize参数了,而要调整

调整hive.auto.convert.join.noconditionaltask.size参数,使其大于等于product_info和province_info之和。

java 复制代码
hive (default)> 
set hive.auto.convert.join.noconditionaltask.size=25286076;

这样可直接将两个Common Join operator转为两个Map Join operator,并且由于两个Map Join operator的小表大小之和小于等于hive.auto.convert.join.noconditionaltask.size,故两个Map Join operator任务可合并为同一个。这个方案计算效率最高,但需要的内存也是最多的。

方案二的执行计划如下图所示,相比于方案一要简洁很多。


  • 分析:为什么方案二比方案一更快
    方案一虽然两个都是map join,但是没有进行合并。方案二不要条件任务,并且在内存充足的情况下,可以将两个map join进行合并,

方案三:(时间和方案一差不多)

启用Map Join自动转换。

java 复制代码
hive (default)> 
set hive.auto.convert.join=true;

使用无条件转Map Join。

java 复制代码
hive (default)> 
set hive.auto.convert.join.noconditionaltask=true;

调整hive.auto.convert.join.noconditionaltask.size参数,使其等于product_info。

java 复制代码
hive (default)> 
set hive.auto.convert.join.noconditionaltask.size=25285707;

这样可直接将两个Common Join operator转为Map Join operator,但不会将两个Map Join的任务合并。该方案计算效率比方案二低,但需要的内存也更少。

  • 需要注意的是,文件在磁盘当中占用的空间,和加载到内存当中占用空间的大小是不同的。例如:数据从文件当中加载到内存当中需要有一个解序列化的过程,解序列化之后数据会变大的,除此之外,数据来到内存当中,可能会封装成对象,也会有一些额外的开销。这种情况下文件的大小是远小于加载到内存当中的大小的。大小一般是10倍的差距。也就是如果文件是1G的话,内存当中会是10G。

(3)Bucket Map Join

在MR当中,Bucket Map Join不支持自动转换,发须通过用户在SQL语句中提供如下Hint提示,并配置如下相关参数,方可使用。

1)Hint提示

sql 复制代码
hive (default)> 
select /*+ mapjoin(ta) */
    ta.id,
    tb.id
from table_a ta
join table_b tb on ta.id=tb.id;

2)相关参数

1、关闭cbo优化,cbo会导致hint信息被忽略

java 复制代码
set hive.cbo.enable=false;

2、map join hint默认会被忽略(因为已经过时),需将如下参数设置为false

java 复制代码
set hive.ignore.mapjoin.hint=false;

3、启用bucket map join优化功能

java 复制代码
set hive.optimize.bucketmapjoin = true;

(4)Bucket Map Join案例

1)示例SQL

sql 复制代码
hive (default)> 
select
    *
from(
    select
        *
    from order_detail
    where dt='2020-06-14'
)od
join(
    select
        *
    from payment_detail
    where dt='2020-06-14'
)pd
on od.id=pd.order_detail_id;

2)优化前

上述SQL语句共有两张表一次join操作,故优化前的执行计划应包含一个Common Join任务,通过一个MapReduce Job实现。执行计划如下图所示:

  • 上面的图使用的是common join

3)优化思路

经分析,参与join的两张表,数据量如下。

表名 大小
order_detail 1176009934(约1122M)
payment_detail 334198480(约319M)
  • 这里的大小是在底层文件的大小,而不是在内存当中的大小。

如果此时使用map join将payment_detail当成小表的话,按照之前的规律,319M*10大于3G,在内存当中需要占用3G多才能缓存小表的Hash表。

因此这个使用考虑使用bucket map join。首先确保这两张表是分桶表,分桶个数成倍数,且两张表的分桶字段需要相同。

首先需要依据源表创建两个分桶表,order_detail建议分16个bucket,payment_detail建议分8个bucket,注意分桶个数的倍数关系以及分桶字段。

--订单表

sql 复制代码
hive (default)> 
drop table if exists order_detail_bucketed;
create table order_detail_bucketed(
    id           string comment '订单id',
    user_id      string comment '用户id',
    product_id   string comment '商品id',
    province_id  string comment '省份id',
    create_time  string comment '下单时间',
    product_num  int comment '商品件数',
    total_amount decimal(16, 2) comment '下单金额'
)
clustered by (id) into 16 buckets
row format delimited fields terminated by '\t';

--支付表

sql 复制代码
hive (default)> 
drop table if exists payment_detail_bucketed;
create table payment_detail_bucketed(
    id              string comment '支付id',
    order_detail_id string comment '订单明细id',
    user_id         string comment '用户id',
    payment_time    string comment '支付时间',
    total_amount    decimal(16, 2) comment '支付金额'
)
clustered by (order_detail_id) into 8 buckets
row format delimited fields terminated by '\t';

然后向两个分桶表导入数据。

订单表:

sql 复制代码
hive (default)> 
insert overwrite table order_detail_bucketed
select
    id,
    user_id,
    product_id,
    province_id,
    create_time,
    product_num,
    total_amount   
from order_detail
where dt='2020-06-14';

分桶表:

sql 复制代码
hive (default)> 
insert overwrite table payment_detail_bucketed
select
    id,
    order_detail_id,
    user_id,
    payment_time,
    total_amount
from payment_detail
where dt='2020-06-14';

然后设置以下参数:

1、关闭cbo优化,cbo会导致hint信息被忽略,需将如下参数修改为false

sql 复制代码
set hive.cbo.enable=false;

2、map join hint默认会被忽略(因为已经过时),需将如下参数修改为false

sql 复制代码
set hive.ignore.mapjoin.hint=false;

3、启用bucket map join优化功能,默认不启用,需将如下参数修改为true

sql 复制代码
set hive.optimize.bucketmapjoin = true;

最后在重写SQL语句,如下:

sql 复制代码
hive (default)> 
select /*+ mapjoin(pd) */
    *
from order_detail_bucketed od
join payment_detail_bucketed pd on od.id = pd.order_detail_id;

优化后的执行计划如图所示:

  • 上面的图使用的是map join

(5) Sort Merge Bucket Map Join

Sort Merge Bucket Map Join有两种触发方式,包括Hint提示和自动转换。Hint提示已过时,不推荐使用。

下面是自动转换的相关参数:

1、启动Sort Merge Bucket Map Join优化

sql 复制代码
set hive.optimize.bucketmapjoin.sortedmerge=true;

2、使用自动转换SMB Join

sql 复制代码
set hive.auto.convert.sortmerge.join=true;

使用和上一个案例相同的数据(分桶之后多加了一个桶内有序),得到的结果如下图所示:

相关推荐
EDG Zmjjkk3 小时前
Hive离线数仓结构分析
数据仓库·hive·hadoop
摇光~5 小时前
【Hive是什么?】Hadoop和Hive是什么关系?Hive在Hadoop上是怎么运行的?用大白话理解Hive和Hadoop的关系。
数据仓库·hive·hadoop
admin_2337 小时前
hue 4.11容器化部署,已结合Hive与Hadoop
数据仓库·hive·hadoop
Francek Chen13 小时前
【大数据分析&深度学习】在Hadoop上实现分布式深度学习
人工智能·hadoop·分布式·深度学习·数据分析
isNotNullX15 小时前
一文解读数据仓库的分层逻辑和原理
大数据·数据仓库·spark
青云交1 天前
大数据新视界 -- Impala 性能优化:量子计算启发下的数据加密与性能平衡(下)(30 / 30)
大数据·hive·量子计算·数据加密·impala·量子密钥分发·性能平衡
Java 第一深情1 天前
详细教程-Linux上安装单机版的Hadoop
linux·运维·hadoop
Light601 天前
ETL领域的创新突破:低代码平台的变革引擎
数据仓库·低代码·etl
cclovezbf1 天前
hive的cascade使用解释
数据仓库·hive·hadoop
油头少年_w1 天前
Hadoop进阶原理(HDFS、MR、YARN的原理)
大数据·hadoop·分布式