数仓应用工具Hive：从底层设计窥见其优化策略「建议收藏」

Hive介绍：

官网上对Hive的介绍可以简单理解为：它是一款构建在Hadoop之上的数据仓库软件，将已存储的数据结构化（将数据库中的各个文件关联起来，形成一定的结构关系），并提供了类SQL查询语句HQL（Hive Query Language）对数据进行分析处理。

Hive可以自动将HiveQL语句转换成一系列成MapReduce作业并执行，二不再需要程序员手动编写MR任务（SQL如何转化为MapReduce的？往下看）。用户可以很方便的使用命令行和JDBC程序的方式来连接到hive。当然Hive不仅支持MapReduce计算引擎，还支持Spark和Tez这两中分布式计算引擎，常用于离线批处理。

Hive架构原理：

• Hive一般是架构在HDFS之上，HDFS是真实的数据存储的位置。
• client：操作Hive的客户端，有CLI命令行的形式和JDBC驱动等操作形式。
• Driver：Hive的核心驱动
• 解析器（Sql Parser）：将HSql转化为一个个逻辑查询块，并验证sql正确性。
• 编译器（physical plan）：将逻辑块转换成MapReducece执行计划。
• 优化器（Query Optimistic）：将MapReduce程序进行简单的优化操作（默认打开）
• 执行器（Execution）：执行MapReduce任务。
• Meta Store：存储元数据（描述数据和数据间关系的数据）默认存储在Derby数据库

• 大致执行流程：client客户端提交执行命令给Driver，Driver将命令通过解析器、编译器、优化器、执行器解析成MapReduce程序，并从Meta Store 获取元数据，通过元数据获取HDFS的数据，执行MapReduce任务。

Hive中存在的问题：

• HSql表达能力有限，不能使用迭代计算，不擅于做数据挖掘；
• HSql底层是MapReduce任务，所以效率低、延时高；
• Hive调优只能根据底层mr去解决。

Hive的优化：

正如上面所说的，Hive的优化其实是比较粗糙的，几乎只能通过底层mr去做调优工作。另外hive本身也提供了一些优化，比如，我们可以通过设置本地模式、严格模式等来限制执行效率较低的查询。除此之外我们还可以设置mr任务的个数、并行执行等来方式来进行调优，但这些调优方式从本质上来说都是对底层MapReduce的优化。下面我们老学习几个常见的Hive优化策略。

• Fetch抓取：mr程序很慢，所以，我们可以设置fetch抓取，能不使用mr的尽量不使用

设置本地模式：小文件较多时，在本地运行mr要比在集群上运行mr快的多

设置严格模式：hive提供一个严格的模式，可以防止用户执行那些可能产生负面影响的查询。通过设置下面的属性启用MapReduce严格模式。

注意：此模式下禁止3种类型的查询：

1.对于分区表，where子句不包含分区字段过滤条件的查询语句不允许执行。

2.对于使用order by子句的查询，要求必须使用limit子句，否则不允许执行

3.限制笛卡尔积查询。

• 表的优化：表的优化方式很多，凡是其本质都是通过数据减少不必要数据操作来减少mr任务的压力具体内容有以下几种方式：

join原则：

• 小表join大表将key相对分散，并且数据量小的表放在join的左边，这样可以有效减少内存溢出错误发生的几率；再进一步，可以使用Group让小的维度表（1000条以下的记录条数）先进内存。在map端完成reduce。
• 多个表关联时，最好分拆成小段，避免大sql（无法控制中间Job）
• 大表Join大表：进行空key过滤、打散、转换
• mapjoin:
• 在Reduce阶段完成join。容易发生数据倾斜。可以用MapJoin把小表全部加载到内存在map端进行join，避免reducer处理。
• 表的优化操作还有很多，想了解的可以关注我们，我们将为您提供更多大数据hive相关 资料。
• 启用Tez执行引擎：使用Tez执行引擎代替传统的MapReduce引擎会大幅提升hive的查询性能。配置Tez执行引擎如下:

• 启用并行执行

每个hiveQL都被转换成一个或多个阶段，可能是一个MapReduce阶段，采样阶段，归并阶段等。默认情况下hive在任意时刻只执行其中的一个阶段。如果组成一个特定作业的多个执行阶段是彼此独立的，那么它们可以并行执行。从而加快作业执行速度。通过配置以下选项开启并行执行。

使用单一reduce执行多个Group by：通过为group by 开启单一reduce任务属性，可以将一个查询中的多个group by操作联合在一起发送给单一MapReduce作业。

• 使用ORC文件格式

hive的orc文件格式可以有效提升hive查询性能。

• 使用向量化查询

通过查询执行向量化，使hive从单行处理数据改为批量处理方式，具体来说是一次处理1024行而不是原来的每次只处理一行，这大大提升了指令流水线和缓存利用率，从而提高了表扫描、聚合、过滤和连接等操作的性能。通过以下配置启用向量化：

参数说明如下：
 hive.vectorized.execution.enabled:如果该标志设置为true, 则开启查询执行的向量模式，默认值为false.
 hive.vectorized.execution.reduce.enabled:如果该标志为true,则开启查询执行reduce端的向量模式，默认值为true
 hive.vectorized.execution.reduce.groupby.enabled:如果该标志为true，则开启查询执行reduce端的group by操作的向量模式，默认值为true.

IT知识分享网