Hive是大數(shù)據(jù)領(lǐng)域常用的組件之一，主要用于大數(shù)據(jù)離線數(shù)倉的運(yùn)算，關(guān)于Hive的性能調(diào)優(yōu)在日常工作和面試中是經(jīng)常涉及的一個點(diǎn)，因此掌握一些Hive調(diào)優(yōu)是必不可少的一項技能。影響Hive效率的主要因素有數(shù)據(jù)傾斜、數(shù)據(jù)冗余、job的IO以及不同底層引擎配置情況和Hive本身參數(shù)和HiveSQL的執(zhí)行等。本文主要從建表配置參數(shù)方面對Hive優(yōu)化進(jìn)行講解。

1. 創(chuàng)建一個普通表

table test_user1(id int, name string,code string,code_id string ) ROW FORMAT DELIMITED FIELDS TERMINATED ?BY ',';

2. 查看這張表的信息

DESCRIBE FORMATTED ?test_user1;

我們從該表的描述信息介紹建表時的一些可優(yōu)化點(diǎn)。

2.1 表的文件數(shù)

numFiles表示表中含有的文件數(shù)，當(dāng)文件數(shù)過多時可能意味著該表的小文件過多，這時候我們可以針對小文件的問題進(jìn)行一些優(yōu)化，HDFS本身提供了解決方案：

（1）Hadoop Archive/HAR：將小文件打包成大文件。

（2）SEQUENCEFILE格式：將大量小文件壓縮成一個SEQUENCEFILE文件。

（3）CombineFileInputFormat：在map和reduce處理之前組合小文件。

（4）HDFS Federation：HDFS聯(lián)盟，使用多個namenode節(jié)點(diǎn)管理文件。

除此之外，我們還可以通過設(shè)置hive的參數(shù)來合并小文件。

（1）輸入階段合并

需要更改Hive的輸入文件格式，即參數(shù)hive.input.format，默認(rèn)值是org.apache.hadoop.hive.ql.io.HiveInputFormat，我們改成org.apache.hadoop.hive.ql.io.CombineHiveInputFormat。這樣比起上面對mapper數(shù)的調(diào)整，會多出兩個參數(shù)，分別是mapred.min.split.size.per.node和mapred.min.split.size.per.rack，含義是單節(jié)點(diǎn)和單機(jī)架上的最小split大小。如果發(fā)現(xiàn)有split大小小于這兩個值（默認(rèn)都是100MB），則會進(jìn)行合并。具體邏輯可以參看Hive源碼中的對應(yīng)類。

（2）輸出階段合并

直接將hive.merge.mapfiles和hive.merge.mapredfiles都設(shè)為true即可，前者表示將map-only任務(wù)的輸出合并，后者表示將map-reduce任務(wù)的輸出合并，Hive會額外啟動一個mr作業(yè)將輸出的小文件合并成大文件。另外，hive.merge.size.per.task可以指定每個task輸出后合并文件大小的期望值，hive.merge.size.smallfiles.avgsize可以指定所有輸出文件大小的均值閾值，默認(rèn)值都是1GB。如果平均大小不足的話，就會另外啟動一個任務(wù)來進(jìn)行合并。

2.2 表的存儲格式

通過InputFormat和OutputFormat可以看出表的存儲格式是TEXT類型，Hive支持TEXTFILE, SEQUENCEFILE, AVRO, RCFILE, ORC,以及PARQUET文件格式，可以通過兩種方式指定表的文件格式：

（1）CREATE TABLE ... STORE AS <file_format>:在建表時指定文件格式，默認(rèn)是TEXTFILE

（2）ALTER TABLE ... [PARTITION partition_spec] SET FILEFORMAT <file_format>:修改具體表的文件格式

如果要改變創(chuàng)建表的默認(rèn)文件格式，可以使用set hive.default.fileformat=<file_format>進(jìn)行配置，適用于所有表。同時也可以使用set hive.default.fileformat.managed = <file_format>進(jìn)行配置，僅適用于內(nèi)部表或外部表。

擴(kuò)展：不同存儲方式的情況

TEXT, SEQUENCE和 AVRO文件是面向行的文件存儲格式，不是最佳的文件格式，因?yàn)榧幢阒徊樵円涣袛?shù)據(jù)，使用這些存儲格式的表也需要讀取完整的一行數(shù)據(jù)。另一方面，面向列的存儲格式(RCFILE, ORC, PARQUET)可以很好地解決上面的問題。關(guān)于每種文件格式的說明，如下：

（1）TEXTFILE

創(chuàng)建表時的默認(rèn)文件格式，數(shù)據(jù)被存儲成文本格式。文本文件可以被分割和并行處理，也可以使用壓縮，比如GZip、LZO或者Snappy。然而大部分的壓縮文件不支持分割和并行處理，會造成一個作業(yè)只有一個mapper去處理數(shù)據(jù)，使用壓縮的文本文件要確保文件不要過大，一般接近兩個HDFS塊的大小。

（2）SEQUENCEFILE

key/value對的二進(jìn)制存儲格式，sequence文件的優(yōu)勢是比文本格式更好壓縮，sequence文件可以被壓縮成塊級別的記錄，塊級別的壓縮是一個很好的壓縮比例。如果使用塊壓縮，需要使用下面的配置：set hive.exec.compress.output=true; set io.seqfile.compression.type=BLOCK

（3）AVRO

二進(jìn)制格式文件，除此之外，avro也是一個序列化和反序列化的框架。avro提供了具體的數(shù)據(jù)schema。

（4）RCFILE

全稱是Record Columnar File，首先將表分為幾個行組，對每個行組內(nèi)的數(shù)據(jù)進(jìn)行按列存儲，每一列的數(shù)據(jù)都是分開存儲，即先水平劃分，再垂直劃分。

（5）ORC

全稱是Optimized Row Columnar，從hive0.11版本開始支持，ORC格式是RCFILE格式的一種優(yōu)化的格式，提供了更大的默認(rèn)塊(256M)

（6）PARQUET

另外一種列式存儲的文件格式，與ORC非常類似，與ORC相比，Parquet格式支持的生態(tài)更廣，比如低版本的impala不支持ORC格式。

配置同樣數(shù)據(jù)同樣字段的兩張表，以常見的TEXT行存儲和ORC列存儲兩種存儲方式為例，對比執(zhí)行速度。

TEXT存儲方式

總結(jié)：從上圖中可以看出列存儲在對指定列進(jìn)行查詢時，速度更快，建議在建表時設(shè)置列存儲的存儲方式。

2.3 表的壓縮

對Hive表進(jìn)行壓縮是常見的優(yōu)化手段，一些存儲方式自帶壓縮選擇，比如SEQUENCEFILE支持三種壓縮選擇：NONE，RECORD，BLOCK。Record壓縮率低，一般建議使用BLOCK壓縮；

ORC支持三種壓縮選擇：NONE，ZLIB，SNAPPY。我們以TEXT存儲方式和ORC存儲方式為例，查看表的壓縮情況。

配置同樣數(shù)據(jù)同樣字段的四張表，一張TEXT存儲方式，另外三張分別是默認(rèn)壓縮方式的ORC存儲、SNAPPY壓縮方式的ORC存儲和NONE壓縮方式的ORC存儲，查看在hdfs上的存儲情況：

TEXT存儲方式

默認(rèn)壓縮ORC存儲方式

SNAPPY壓縮的ORC存儲方式

NONE壓縮的ORC存儲方式

總結(jié)：可以看到ORC存儲方式將數(shù)據(jù)存放為兩個block，默認(rèn)壓縮大小加起來134.69M，SNAPPY壓縮大小加起來196.67M，NONE壓縮大小加起來247.55M，TEXT存儲方式的文件大小為366.58M，且默認(rèn)block兩種存儲方式分別為256M和128M，ORC默認(rèn)的壓縮方式比SNAPPY壓縮得到的文件還小，原因是ORZ默認(rèn)的ZLIB壓縮方式采用的是deflate壓縮算法，比Snappy壓縮算法得到的壓縮比高，壓縮的文件更小。ORC不同壓縮方式之間的執(zhí)行速度，經(jīng)過多次測試發(fā)現(xiàn)三種壓縮方式的執(zhí)行速度差不多，所以建議采用ORC默認(rèn)的存儲方式進(jìn)行存儲數(shù)據(jù)。

2.4 分桶分區(qū)

Num Buckets表示桶的數(shù)量，我們可以通過分桶和分區(qū)操作對Hive表進(jìn)行優(yōu)化：

對于一張較大的表，可以將它設(shè)計成分區(qū)表，如果不設(shè)置成分區(qū)表，數(shù)據(jù)是全盤掃描的，設(shè)置成分區(qū)表后，查詢時只在指定的分區(qū)中進(jìn)行數(shù)據(jù)掃描，提升查詢效率。要注意盡量避免多級分區(qū)，一般二級分區(qū)足夠使用。常見的分區(qū)字段：

（1）日期或者時間，比如year、month、day或者h(yuǎn)our，當(dāng)表中存在時間或者日期字段時，可以使用些字段。

（2）地理位置，比如國家、省份、城市等

（3）業(yè)務(wù)邏輯，比如部門、銷售區(qū)域、客戶等等

與分區(qū)表類似，分桶表的組織方式是將HDFS上的一張大表文件分割成多個文件。分桶是相對分區(qū)進(jìn)行更細(xì)粒度的劃分，分桶將整個數(shù)據(jù)內(nèi)容按照分桶字段屬性值得hash值進(jìn)行區(qū)分，分桶可以加快數(shù)據(jù)采樣，也可以提升join的性能(join的字段是分桶字段)，因?yàn)榉滞翱梢源_保某個key對應(yīng)的數(shù)據(jù)在一個特定的桶內(nèi)(文件)，所以巧妙地選擇分桶字段可以大幅度提升join的性能。通常情況下，分桶字段可以選擇經(jīng)常用在過濾操作或者join操作的字段。

創(chuàng)建分桶表

create table test_user_bucket(id int, name string,code string,code_id string ) clustered by(id) into 3 buckets ROW FORMAT DELIMITED FIELDS TERMINATED ?BY ',';

查看描述信息

DESCRIBE FORMATTED test_user_bucket

多出了如下信息

查看該表的hdfs

同樣的數(shù)據(jù)查看普通表和分桶表查詢效率

普通表

分桶表

普通表是全表掃描，分桶表在按照分桶字段的hash值分桶后，根據(jù)join字段或者where過濾字段在特定的桶中進(jìn)行掃描，效率提升。

本文首發(fā)于：數(shù)棧研習(xí)社

數(shù)棧是云原生—站式數(shù)據(jù)中臺PaaS，我們在github上有一個有趣的開源項目：FlinkX

FlinkX是一個基于Flink的批流統(tǒng)一的數(shù)據(jù)同步工具，既可以采集靜態(tài)的數(shù)據(jù)，比如MySQL，HDFS等，也可以采集實(shí)時變化的數(shù)據(jù)，比如MySQL binlog，Kafka等，是全域、異構(gòu)、批流一體的數(shù)據(jù)同步引擎，大家如果有興趣，歡迎來github社區(qū)找我們玩~