【轉】hive最佳化之--控制hive任務中的map數和reduce數

標籤：

一、    控制hive任務中的map數: 

1.    通常情況下，作業會通過input的目錄產生一個或者多個map任務。 
主要的決定因素有： input的檔案總個數，input的檔案大小，叢集設定的檔案塊大小(目前為128M, 可在hive中通過set dfs.block.size;命令查看到，該參數不能自訂修改)；

2.    舉例： 
a)    假設input目錄下有1個檔案a,大小為780M,那麼hadoop會將該檔案a分隔成7個塊（6個128m的塊和1個12m的塊），從而產生7個map數
b)    假設input目錄下有3個檔案a,b,c,大小分別為10m，20m，130m，那麼hadoop會分隔成4個塊（10m,20m,128m,2m）,從而產生4個map數
即，如果檔案大於塊大小(128m),那麼會拆分，如果小於塊大小，則把該檔案當成一個塊。

3.    是不是map數越多越好？ 
答案是否定的。如果一個任務有很多小檔案（遠遠小於塊大小128m）,則每個小檔案也會被當做一個塊，用一個map任務來完成，
而一個map任務啟動和初始化的時間遠遠大於邏輯處理的時間，就會造成很大的資源浪費。
而且，同時可執行檔map數是受限的。

 

4.    是不是保證每個map處理接近128m的檔案塊，就高枕無憂了？ 
答案也是不一定。比如有一個127m的檔案，正常會用一個map去完成，但這個檔案只有一個或者兩個小欄位，卻有幾千萬的記錄，
如果map處理的邏輯比較複雜，用一個map任務去做，肯定也比較耗時。

針對上面的問題3和4，我們需要採取兩種方式來解決：即減少map數和增加map數；

如何合并小檔案，減少map數？ 
    假設一個SQL任務：
         Select count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’;
         該任務的inputdir  /group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04
         共有194個檔案，其中很多是遠遠小於128m的小檔案，總大小9G，正常執行會用194個map任務。
         Map總共消耗的計算資源： SLOTS_MILLIS_MAPS= 623,020

         我通過以下方法來在map執行前合并小檔案，減少map數：

         set mapred.max.split.size= 8000000000000 ;
                    set mapred.min.split.size.per.node= 8000000000000 ;
                    set mapred.min.split.size.per.rack= 8000000000000 ;
                    set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
                 再執行上面的語句，用了74個map任務，map消耗的計算資源：SLOTS_MILLIS_MAPS= 333,500
         對於這個簡單SQL任務，執行時間上可能差不多，但節省了一半的計算資源。
         大概解釋一下，100000000表示100M, set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;這個參數表示執行前進行小檔案合并，
         前面三個參數確定合并檔案塊的大小，大於檔案塊大小128m的，按照128m來分隔，小於128m,大於100m的，按照100m來分隔，把那些小於100m的（包括小檔案和分隔大檔案剩下的），
         進行合并,最終產生了74個塊。
         
如何適當的增加map數？ 

         當input的檔案都很大，任務邏輯複雜，map執行非常慢的時候，可以考慮增加Map數，來使得每個map處理的資料量減少，從而提高任務的執行效率。
         假設有這樣一個任務：
         Select data_desc,
                count(1),
                count(distinct id),
                sum(case when …),
                sum(case when ...),
                sum(…)
        from a group by data_desc
         如果表a只有一個檔案，大小為120M，但包含幾千萬的記錄，如果用1個map去完成這個任務，肯定是比較耗時的，這種情況下，我們要考慮將這一個檔案合理的拆分成多個，
         這樣就可以用多個map任務去完成。
                   set mapred.reduce.tasks=10;
                   create table a_1 as 
                   select * from a 
                   distribute by rand(123); 
                   
         這樣會將a表的記錄，隨機的分散到包含10個檔案的a_1表中，再用a_1代替上面sql中的a表，則會用10個map任務去完成。
         每個map任務處理大於12M（幾百萬記錄）的資料，效率肯定會好很多。
    
   看上去，貌似這兩種有些矛盾，一個是要合并小檔案，一個是要把大檔案拆成小檔案，這點正是重點需要關注的地方，
   根據實際情況，控制map數量需要遵循兩個原則：使大資料量利用合適的map數；使單個map任務處理合適的資料量；

 

二、    控制hive任務的reduce數： 

1.    Hive自己如何確定reduce數： 
reduce個數的設定極大影響任務執行效率，不指定reduce個數的情況下，Hive會猜測確定一個reduce個數，基於以下兩個設定：
hive.exec.reducers.bytes.per.reducer（每個reduce任務處理的資料量，預設為1000^3=1G） 
hive.exec.reducers.max（每個任務最大的reduce數，預設為999）
計算reducer數的公式很簡單N=min(參數2，總輸入資料量/參數1)
即，如果reduce的輸入（map的輸出）總大小不超過1G,那麼只會有一個reduce任務；
如：select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04‘ group by pt; 
            /group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04 總大小為9G多，因此這句有10個reduce

2.    調整reduce個數方法一： 
調整hive.exec.reducers.bytes.per.reducer參數的值；
set hive.exec.reducers.bytes.per.reducer=500000000; （500M）
select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04‘ group by pt; 這次有20個reduce
         
3.    調整reduce個數方法二； 
set mapred.reduce.tasks = 15;
select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04‘ group by pt;這次有15個reduce

4.    reduce個數並不是越多越好； 
同map一樣，啟動和初始化reduce也會消耗時間和資源；
另外，有多少個reduce,就會有多少個輸出檔案，如果產生了很多個小檔案，那麼如果這些小檔案作為下一個任務的輸入，則也會出現小檔案過多的問題；

5.    什麼情況下只有一個reduce； 
很多時候你會發現任務中不管資料量多大，不管你有沒有設定調整reduce個數的參數，任務中一直都只有一個reduce任務；
其實只有一個reduce任務的情況，除了資料量小於hive.exec.reducers.bytes.per.reducer參數值的情況外，還有以下原因：
a)    沒有group by的匯總，比如把select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04‘ group by pt; 寫成 select count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04‘;
這點非常常見，希望大家盡量改寫。
b)    用了Order by
c)    有笛卡爾積
通常這些情況下，除了找辦法來變通和避免，我暫時沒有什麼好的辦法，因為這些操作都是全域的，所以hadoop不得不用一個reduce去完成；

同樣的，在設定reduce個數的時候也需要考慮這兩個原則：使大資料量利用合適的reduce數；使單個reduce任務處理合適的資料量；

【轉】hive最佳化之--控制hive任務中的map數和reduce數