Hive大表join大表如何调优

目录

  • 一、调优思路
  • 二、实战
    • [2.1 场景](#2.1 场景)
    • [2.2 限制所需的字段,间接mapjoin](#2.2 限制所需的字段,间接mapjoin)
    • [2.2 解决异常值倾斜,如NULL加随机数打散](#2.2 解决异常值倾斜,如NULL加随机数打散)
    • [2.3 扩容解决数据倾斜](#2.3 扩容解决数据倾斜)
      • [2.3.1 客户表扩大N倍](#2.3.1 客户表扩大N倍)
      • [2.3.2 部分倾斜key扩容,大卖家扩容](#2.3.2 部分倾斜key扩容,大卖家扩容)
      • [2.3.3 推荐:分而治之:倾斜和非倾斜再union all](#2.3.3 推荐:分而治之:倾斜和非倾斜再union all)

在Hive中,优化器会根据统计信息决定是将大表放在前面(Join的左边)还是小表放在前面。通常,优化器会选择数据量较小的表作为驱动表(小表作为左边),因为这样可以减少内存消耗并提高效率。

但是,如果你有特定的需求,比如你知道大部分数据能快速过滤掉,希望减少任务的执行时间,那么你可以强制指定某个表作为小表。在Hive中,可以使用/*+ MAPJOIN(table_name) */ 注释来强制将一个大表作为小表处理。

例如,如果你想要将big_table作为小表:

sql 复制代码
SELECT /*+ MAPJOIN(big_table) */
  a.column1, a.column2, b.column1, b.column2
FROM
  small_table a
JOIN
  big_table b
ON
  a.common_column = b.common_column;

一、调优思路

1、SQL优化

1.1 大小表join

1、mapjoin,小表使用mapjoin,或者强制hint

2、将大表放后头 ,原因:Hive假定查询中最后的一个表是大表。它会将其它表缓存起来,然后扫描最后那个表。因此通常需要将小表放前面,或者标记哪张表是大表:/*streamtable(table_name) */

3、过滤无效值:空值、不使用的字段等。

4、不能过滤的空值,将空值转化为随机数避免数据倾斜。

1.2 大大表join

sql 复制代码
1)创建第二张大表
create table bigtable2(
    id bigint,
    t bigint,
    uid string,
    keyword string,
    url_rank int,
    click_num int,
    click_url string)
row format delimited fields terminated by '\t';
load data local inpath '/opt/module/data/bigtable' into table bigtable2;

2)测试大表直接JOIN
insert overwrite table jointable
select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable a
join bigtable2 b
on a.id = b.id;
测试结果:Time taken: 72.289 seconds
insert overwrite table jointable
select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable a
join bigtable2 b
on a.id = b.id;

3)创建分桶表1
create table bigtable_buck1(
    id bigint,
    t bigint,
    uid string,
    keyword string,
    url_rank int,
    click_num int,
    click_url string)
clustered by(id)
sorted by(id)
into 6 buckets
row format delimited fields terminated by '\t';

load data local inpath '/opt/module/data/bigtable' into table bigtable_buck1;

4)创建分桶表2,分桶数和第一张表的分桶数为倍数关系
create table bigtable_buck2(
    id bigint,
    t bigint,
    uid string,
    keyword string,
    url_rank int,
    click_num int,
    click_url string)
clustered by(id)
sorted by(id)
into 6 buckets
row format delimited fields terminated by '\t';

load data local inpath '/opt/module/data/bigtable' into table bigtable_buck2;

5)设置参数
set hive.optimize.bucketmapjoin = true;
set hive.optimize.bucketmapjoin.sortedmerge = true;
set hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;

6)测试 Time taken: 34.685 seconds
insert overwrite table jointable
select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable_buck1 s
join bigtable_buck2 b
on b.id = s.id;

1、使用相同的连接键

  • 当对3个或者更多个表进行join连接时,如果每个on子句都使用相同的连接键的话,那么只会产生一个MapReduce job。

2、过滤无效、未使用的数据:减少每个阶段的数据量,对于分区表要加分区,同时只选择需要使用到的字段。

sql 复制代码
加随机数打散
1)空值0值 或 关联不上的,用随机数
from a join b
on if(a.key='', rand(id)%10, a.key)=b.key
--rand() 0-1之间的小数

(2)都是有用的key,则加随机数后缀
group by concat(key, cast(round(rand()*10) as int))
缺点是分成10份是提前写好的,数据变更大时,还是会跑得慢。

3、逻辑拆分,使用中间表计算

  • 尽量原子化操作:多个表关联时,避免包含复杂逻辑大sql(因为无法控制中间job),最好分拆成小段,可以使用中间表来完成复杂的逻辑
  • 写入HDFS之后:多次INSERT OVERWRITE TABLE写法参考:spark调优-小文件问题

4、列裁剪,避免使用select * 如果查询的是分区表,一定要记得带上分区条件

5、where条件写在子查询中:先过滤再关联(最好使用这种笨办法,虽然hive3.0自带谓词下推)

6、关联条件写在on中,而不是where中

  • 非主表谓词下推情况下,可以理解为where是全部执行完在reduce中进行过滤,on是在关联过程中filter

7、数据量小时,用in代替join

8、使用semi join替代in/exists
inner join和left semi join的联系和区别

2、insert into替换union all

如果union all的部分个数大于2,或者每个union部分数据量大,应该拆成多个insert into 语句,效率有提升。

?insert into到不同分区?

3、排序order by换位sort by

order by:对输入做全局排序,因此只有一个reducer(多个reducer无法保证全局有序),只有一个reducer,会导致当输入规模较大时,需要较长的计算时间。

sort by:局部排序,保证每个reducer的输出文件是有序的。
hive order by,sort by, distribute by, cluster by作用以及用法

4、并行执行

Hive会将一个查询转化成一个或者多个阶段。这样的阶段可以是MapReduce阶段、抽样阶段、合并阶段、limit阶段。或者Hive执行过程中可能需要的其他阶段。

默认情况下,Hive一次只会执行一个阶段。不过,某个特定的job可能包含众多的阶段,而这些阶段可能并非完全互相依赖的,也就是说有些阶段是可以并行执行的,这样可能使得整个job的执行时间缩短。如果有更多的阶段可以并行执行,那么job可能就越快完成。

通过设置参数hive.exec.parallel值为true,就可以开启并发执行。在共享集群中,需要注意下,如果job中并行阶段增多,那么集群利用率就会增加。

sql 复制代码
set hive.exec.parallel=true; //打开任务并行执行
set hive.exec.parallel.thread.number=16; //同一个sql允许最大并行度,默认为8。
set hive.exec.parallel=true

5、数据倾斜优化

spark-数据倾斜
hadoop-hive-数据倾斜问题

6、小文件优化

spark调优-小文件问题

参考链接
HiveSQL大表join大表数据倾斜

二、实战

添加链接描述

2.1 场景

【背景】

A表为一个汇总表,汇总的是卖家买家最近N天交易汇总信息,即对于每个卖家最近N天,其每个买家共成交了多少单,总金额是多少,假设N取90天,汇总值仅取成交单数。

A表的字段有:buyer_id、seller_id、pay_cnt_90day。

B表为卖家基本信息表,其字段有seller_id、sale_level,其中sale_levels是卖家的一个分层评级信息,比如吧卖家分为6个级别:S0、S1、S2、S3、S4和S5。

要获得的结果是每个买家在各个级别的卖家的成交比例信息 ,比如:某买家:S0:10%;S1:20%;S2:20%;S3:10%;S4:20%;S5:10%。

【初始思路】

第一反应是直接join两表并统计:

sql 复制代码
	select
         m.buyer_id,
        sum(pay_cnt_90day)  as pay_cnt_90day,
        sum(case when m.sale_level = 0  then pay_cnt_90day  end)  as pay_cnt_90day_s0,
        sum(case when m.sale_level = 1  then pay_cnt_90day  end)  as pay_cnt_90day_s1,
        sum(case when m.sale_level = 2  then pay_cnt_90day  end)  as pay_cnt_90day_s2,
        sum(case when m.sale_level = 3  then pay_cnt_90day  end)  as pay_cnt_90day_s3,
        sum(case when m.sale_level = 4  then pay_cnt_90day  end)  as pay_cnt_90day_s4,
        sum(case when m.sale_level = 5  then pay_cnt_90day  end)  as pay_cnt_90day_s5
      from (
        select  a.buer_id,  a.seller_id,  b.sale_level, a.pay_cnt_90day
        from (  select buyer_id,  seller_id,  pay_cnt_90day   from table_A)  a
        join
               (select seller_id,  sale_level  from table_B)  b
        on  a.seller_id  = b.seller_id
        )  m
      group by m.buyer_id

但是此SQL会引起数据倾斜 ,原因在于卖家的二八准则,某些卖家90天内会有几百万甚至上千万的买家,但是大部分的卖家90天内买家的数目并不多,join table_A和table_B的时候,ODPS会按照seller_id进行分发,table_A的大卖家引起了数据倾斜。但是数据本身无法用mapjoin table_B解决,因为卖家超过千万条,文件大小有几个GB,超过了1GB的限制。

2.2 限制所需的字段,间接mapjoin

思路:只看90天内有交易的卖家,不join全部的卖家表

局限:此方案在一些情况可以起作用,但是很多时候还是无法解决上述问题,因为大部分卖家尽管90天内买家不多,但还是有一些的,过滤后的B表仍然很多。

sql 复制代码
 select
         m.buyer_id,
        sum(pay_cnt_90day)  as pay_cnt_90day,
        sum(case when m.sale_level = 0  then pay_cnt_90day  end)  as pay_cnt_90day_s0,
        sum(case when m.sale_level = 1  then pay_cnt_90day  end)  as pay_cnt_90day_s1,
        sum(case when m.sale_level = 2  then pay_cnt_90day  end)  as pay_cnt_90day_s2,
        sum(case when m.sale_level = 3  then pay_cnt_90day  end)  as pay_cnt_90day_s3,
        sum(case when m.sale_level = 4  then pay_cnt_90day  end)  as pay_cnt_90day_s4,
        sum(case when m.sale_level = 5  then pay_cnt_90day  end)  as pay_cnt_90day_s5
      from ( 
        select  /*+mapjoin(b)*/
          a.buer_id,  a.seller_id,  b.sale_level, a.pay_cnt_90day
        from (  select buyer_id,  seller_id,  pay_cnt_90day   from table_A)  a
        join  (
		           select seller_id,  sale_level  from table_B b0
		           join
		           (select seller_id from table_A group by seller_id) a0
		             on b0.seller_id = a0.selller_id
          )  b
        on  a.seller_id  = b.seller_id
        )  m
      group by m.buyer_id   

2.2 解决异常值倾斜,如NULL加随机数打散

**思路:**核心是将这些引起倾斜的值随机分发到Reduce,join时对这些特殊值concat随机数,从而达到随机分发的目的。

**适用于:**倾斜的值是明确的而且数量很少,比如null值引起的倾斜。

**局限:**无法解决本问题场景的倾斜问题,因为倾斜的卖家大量存在而且动态变化。

此方案的核心逻辑如下:

sql 复制代码
		select a.user_id, a.order_id, b.user_id
      from table_a a 
      join table_b b
      on (case when a.user_is is null then concat('hive', rand(id)) else a.user_id end) = b.user_id

Hive 已对此进行了优化,只需要设置参数skewinfo和skewjoin参数,不修改SQL代码,例如,由于table_B的值"0" 和"1"引起了倾斜,值需要做如下设置:

sql 复制代码
set hive.optimize.skewinfo=table_B:(selleer_id) [ ( "0") ("1") ) ] 
set hive.optimize.skewjoin = true;

2.3 扩容解决数据倾斜

推荐"2.3.3 推荐:分而治之:倾斜和非倾斜再union all",可直接看。若不行,推荐方案2.3.2倾斜key扩容。

2.3.1 客户表扩大N倍

思路 :按照seller_id分发会倾斜,那么再人工增加一列进行分发,这样之前倾斜的值的倾斜程度会减少到原来的1/10,可以通过配置numbers表改放大倍数来降低倾斜程度。
代码实现 :建立一个numbers表,其值只有一列int 行,比如从1到10(具体值可根据倾斜程度确定),然后放大B表10倍,再取模join。
局限性:数据量翻倍,B表也会膨胀N倍。

sql 复制代码
SELECT m.buyer_id,
         sum(pay_cnt_90day) AS pay_cnt_90day,
         sum(case  WHEN m.sale_level = 0 THEN pay_cnt_90day end) AS pay_cnt_90day_s0, 
         sum(case WHEN m.sale_level = 1 THEN pay_cnt_90day end) AS pay_cnt_90day_s1,
         sum(case WHEN m.sale_level = 2 THEN  pay_cnt_90day end) AS pay_cnt_90day_s2, 
     sum(case when m.sale_level = 3  then pay_cnt_90day  end)  as pay_cnt_90day_s3,
     sum(case when m.sale_level = 4  then pay_cnt_90day  end)  as pay_cnt_90day_s4,
     sum(case when m.sale_level = 5  then pay_cnt_90day  end)  as pay_cnt_90day_s5
FROM 
    (SELECT a.buer_id,
         a.seller_id,
         b.sale_level,
         a.pay_cnt_90day
    FROM 
        (SELECT buyer_id,
         seller_id,
         pay_cnt_90day
        FROM table_A) a
        JOIN -- 将B表扩容N倍
            (SELECT /*+mapjoin(members)*/ seller_id,
         sale_level ,
        member
            FROM table_B
            JOIN members -- 扩容N倍的表
             ) b
          ON a.seller_id = b.seller_id
              AND mod(a.pay_cnt_90day,10)+1 = b.number ) m
        GROUP BY  m.buyer_id 

2.3.2 部分倾斜key扩容,大卖家扩容

思路 :把大卖家放大倍数即可:需要首先知道大卖家的名单,即先建立一个临时表动态存放每天最新的大卖家(比如dim_big_seller),同时此表的大卖家要膨胀预先设定的倍数(1000倍)。
代码实现 :在A表和B表分别新建一个join列,其逻辑为:如果是大卖家,那么concat一个随机分配正整数(0到预定义的倍数之间,本例为0~1000);如果不是,保持不变。
局限性: 相比全部数据扩容,仅倾斜指标扩容的运行效率有提升,但代码复杂性高,必须首先建立大数据表。

sql 复制代码
SELECT m.buyer_id,
         sum(pay_cnt_90day) AS pay_cnt_90day,
         sum(case  WHEN m.sale_level = 0 THEN pay_cnt_90day end) AS pay_cnt_90day_s0, 
         sum(case WHEN m.sale_level = 1 THEN pay_cnt_90day end) AS pay_cnt_90day_s1,
         sum(case WHEN m.sale_level = 2 THEN  pay_cnt_90day end) AS pay_cnt_90day_s2, 
     sum(case when m.sale_level = 3  then pay_cnt_90day  end)  as pay_cnt_90day_s3,
     sum(case when m.sale_level = 4  then pay_cnt_90day  end)  as pay_cnt_90day_s4,
     sum(case when m.sale_level = 5  then pay_cnt_90day  end)  as pay_cnt_90day_s5
    pay_cnt_90day end) AS pay_cnt_90day_s5
FROM 
    (SELECT a.buer_id,
         a.seller_id,
         b.sale_level,
         a.pay_cnt_90day
    FROM 
        (SELECT /*+mapjoin(big)*/ buyer_id,
         seller_id,
         pay_cnt_90day,
         if(big.seller_id is NOT null,
         concat( table_A.seller_id,
         'rnd', cast( rand() * 1000 AS bigint ), table_A.seller_id) AS seller_id_joinkey
        FROM table_A left outer
        JOIN --big表seller_id有重复,请注意一定要group by 后再join,保证table_A的行数保持不变 
        (  SELECT seller_id
             FROM dim_big_seller
             GROUP BY  seller_id
         )big
            ON table_A.seller_id = big.seller_id ) a
        JOIN 
            (SELECT /*+mapjoin(big)*/ seller_id,
                     sale_level ,
                  --big表的seller_id_joinkey生成逻辑和上面的生成逻辑一样 coalesce(seller_id_joinkey,
                     table_B.seller_id) AS seller_id_joinkey
            FROM table_B 
            left out JOIN --table_B表join大卖家表后大卖家行数扩大1000倍,其它卖家行数保持不变 
                (SELECT seller_id,
                         seller_id_joinkey
                FROM dim_big_seller
                ) big
                    ON table_B.seller_id= big.seller_id ) b
                    ON a.seller_id_joinkey= b.seller_id_joinkey
                        AND mod(a.pay_cnt_90day,10)+1 = b.number ) m
                GROUP BY  m.buyer_id

2.3.3 推荐:分而治之:倾斜和非倾斜再union all

思路 :对倾斜的键值和不倾斜的键值分开处理,不倾斜的正常join即可,倾斜的把他们找出来做mapjoin,最后union all其结果即可。
代码实现
局限性:较麻烦,代码复杂而且需要一个临时表存放倾斜的键值。

sql 复制代码
--1、构建临时表,由于数据倾斜,先找出90天买家超过10000的卖家 
insert overwrite table temp_table_B
SELECT m.seller_id,
         n.sale_level
FROM 
    (SELECT seller_id
    FROM 
        (SELECT seller_id,
        count(buyer_id) AS byr_cnt
        FROM table_A
        GROUP BY  seller_id ) a
        WHERE a.byr_cnt >10000 ) m
    LEFT JOIN 
    (SELECT seller_id,
         sale_level
    FROM table_B 
    ) n
    ON m.seller_id = n.seller_id; 
    
    
 --2、分而治之,不倾斜union all 倾斜。
 --对于90天买家超过10000的卖家直接mapjoin,对其它卖家直接正常join即可
 。SELECT m.buyer_id,
         sum(pay_cnt_90day) AS pay_cnt_90day,
         sum(case  WHEN m.sale_level = 0 THEN pay_cnt_90day end) AS pay_cnt_90day_s0, 
         sum(case WHEN m.sale_level = 1 THEN pay_cnt_90day end) AS pay_cnt_90day_s1,
         sum(case WHEN m.sale_level = 2 THEN  pay_cnt_90day end) AS pay_cnt_90day_s2, 
     sum(case when m.sale_level = 3  then pay_cnt_90day  end)  as pay_cnt_90day_s3,
     sum(case when m.sale_level = 4  then pay_cnt_90day  end)  as pay_cnt_90day_s4,
     sum(case when m.sale_level = 5  then pay_cnt_90day  end)  as pay_cnt_90day_s5
FROM 
    (SELECT a.buer_id,
         a.seller_id,
         b.sale_level,
         a.pay_cnt_90day
    FROM 
        (SELECT buyer_id,
         seller_id,
         pay_cnt_90day
        FROM table_A
        ) a
        JOIN 
            (SELECT seller_id,
                    a.sale_level
            FROM table_A a
            LEFT JOIN temp_table_B b
                ON a.seller_id = b.seller_id
            WHERE b.seller_id is  NULL -- 限制为不倾斜的卖家
            ) b
                ON a.seller_id = b.seller_id
       UNION all
       SELECT /*+mapjoin(b)*/ a.buer_id,
         a.seller_id,
         b.sale_level,
         a.pay_cnt_90day
            FROM 
                (SELECT buyer_id,
                         seller_id,
                         pay_cnt_90day
                FROM table_A
                ) a
                JOIN 
                    (SELECT seller_id,
                            sale_level
                    FROM table_B -- 只看倾斜卖家
                    ) b
               ON a.seller_id = b.seller_id
               ) m
                GROUP BY  m.buyer_id ) m
            GROUP BY  m.buyer_id