Hive任务优化参数整理

Hive本身是个基于hdfs的结构化数据管理工具，虽然在后面的发展中允许底层接入其他的数据源，比如第三方数据服务这种基础架构，但是它从立意上来说，它不适合用来做高性能查询引擎，反而在传统离线数据仓库中它有着自身的优势

1.当你的查询数据量较大，此时spark等其他计算引擎会因为自身复杂的执行计划导致计算量很大，再加上计算中的硬性资源消耗，导致需要的资源使你无法接受，此时如果你可以接受较长时间的运行等待，建议使用hive，因为hive底层用的mr，任务分割截止到一次mr，没有那么大的消耗需求，你可以通俗的理解为hive只需要有你数据量大小和跑数据需要的进程类开销既可，它没有spark那种复杂的执行计划，因此它的使用成本是目前大数据计算引擎中最低的一个，效率也是最慢的，不过对于大任务的处理，更稳定
2.查询逻辑复杂，任务消耗资源较大，任务容易失败的情况下，建议使用hive，不过hive优势在于处理大数据，对于处理小数据没有优势，因为hive的执行延迟比较高。

1、hive任务的内存类调整

AM：

bash 复制代码

yarn.app.mapreduce.am.resource.mb=1536   #AM的可用内存大小，用来负责该任务的资源分配以及进度监控。建议值10240
yarn.app.mapreduce.am.command-opts=-Xmx1221m  #AM的jvm参数，建议值-Xmx8000m，也就是上面的70-80%，这个比例不要随便改，不然会造成内存溢出

Map：

bash 复制代码

mapreduce.map.memory.mb=1024   #单个map占用的内存大小，建议5120
mapreduce.map.java.opts=-Xmx864m    #单个map的jvm参数，建议-Xmx4800m，建议范围比例也是和AM一样的

Reduce：

bash 复制代码

mapreduce.reduce.memory.mb=2048    #单个reduce占用的内存大小，建议值10240
mapreduce.reduce.java.opts=-Xmx1638m   #同上

内存参数都是成对的，配置的时候也必须是成对配置，不然内存使用极容易出问题，opts结尾的是JVM参数，一般为对应内存的70%-80%，两者同步调整。

AM的内存需要根据任务的map和reduce数量来相应提高，该值太小会导致任务一直在重试，浪费资源且无法运行成功。建议totalmap超过1w+map以上的任务，AM内存大小设置为5G。部分任务高达15w个map，建议配置成10G。

map和reduce的内存大小要根据任务的map并行度弹性调整，尽量不要超过报警阈值，并行度下面会说。

2、map和reduce并行度，允许同时运行的最大map/reduce数量，即并发度

bash 复制代码

mapreduce.job.running.map.limit=1000   #尽量不要上4000，2000左右就差不多了
mapreduce.job.running.reduce.limit=200   #一般是500左右

配置并行度的时候要考虑的时候，一定要考虑好，下面的公式是博主在工作中总结的上限，过了这个上限，任务就会出现读写吃力等问题，就不稳定了

bash 复制代码

任务并行reduce的总内存=${mapreduce.job.running.reduce.limit}*${mapreduce.reduce.memory.mb}任务reduce的总内存 <=5TB
任务并行map的总内存=${mapreduce.job.running.map.limit}*${mapreduce.map.memory.mb}
任务map的总内存 <=10TB

3、task数量，默认情况下，hive会根据map输入的数据总量，自动计算出合适的reduce数若，有需求，如需要生成几个结果文件等，可自行指定。hive中map数量无法向写代码那样直接指定数量，但是可以根据合并小文件的方式达到目的（见下条）

bash 复制代码

mapred.reduce.tasks

4、小文件合并，这个配置基本是你有需求用hive时，必带参数，因为数据量大的时候，基于磁盘计算一定会生成巨量的小文件，尤其是通常hive用的是tez，虽然会整合执行计划，但小文件该有还是有，很早之前博主刚入行的时候，想过既然能更改底层引擎，改成spark不就好了，对小文件的预防有好处，但是干的时间长了，发现能用spark了谁用hive呀

bash 复制代码

hive.merge.mapfiles=false    #在map-only job后合并文件，默认false
hive.merge.mapredfiles=false   #在map-reduce job后合并文件，默认false
hive.merge.smallfiles.avgsize=16000000     #单位字节，平均文件大小，是决定是否执行合并操作的阈值，建议64000000
hive.merge.size.per.task=256000000      #合并后每个文件的大小，默认单位字节，建议256000000
hive.merge.tezfiles=false   #如果使用的是tez引擎，可以在任务结束后合并文件，会新启动一个任务
mapreduce.input.fileinputformat.split.maxsize=256000000   #数据块被分割的最大值，单位字节，但是一般不改
mapreduce.input.fileinputformat.split.minsize=1   #数据块被分割的最小值，同上
mapreduce.input.fileinputformat.split.minsize.per.node=1     #一个节点上split的至少的大小 ，决定了多个data node上的文件是否需要合并，建议128000000，单位字节
mapreduce.input.fileinputformat.split.minsize.per.rack=1       #一个交换机下split的至少的大小，决定了多个交换机上的文件是否需要合并，建议值同上

5、推测执行，识别那些跑的比较慢的任务，然后它会产生另一个等效的任务作为备份，并使用首先完成的那个任务的结果，此时另外一个任务则会被要求停止执行，一般下面的三个开关保证默认的false

bash 复制代码

mapreduce.map.speculative
mapreduce.reduce.speculative
hive.mapred.reduce.tasks.speculative.execution

6、结果压缩

bash 复制代码

hive.exec.compress.output=true
mapreduce.output.fileoutputformat.compress=true
mapreduce.output.fileoutputformat.compress.type=RECORD   #默认RECORD，可选NONE、RECORD或者BLOCK
mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.DefaultCodec     #压缩格式

7、数据倾斜切分，hive的数据倾斜分为两种不同的情况

如果你是在join上发生了数据倾斜，既小表join了大表，用下面的切分任务数据

bash 复制代码

hive.auto.convert.join=false    #是否切分数据倾斜，默认false
hive.mapjoin.smalltable.filesize=25600000   #切分的大小，单位字节，建议100000000

如果你发生了数据热点问题，比如某个key很大，就要开启下面的两个

bash 复制代码

hive.map.aggr=true     #启动combine聚合
hive.groupby.skewindata=true    #有一套加盐的执行计划会生效，将job拆成两个mr job,第一个job做部分聚合，第二个再全量聚合

8、任务超时，任务较大频繁GC ，或存在死循环,计算节点崩溃，都可能会造成

time out，导致任务 failed。遇到的话，将参数置位0即可规避，就是不检查超时

bash 复制代码

mapred.task.timeout=600000