一個Hive查詢生成多個map reduce job，一個map reduce job又有map，reduce，spill，shuffle，sort等多個階段，所以針對hive查詢的優化可以大致分為針對M/R中單個步驟的優化，針對M/R全局的優化，和針對整個查詢(多M/R job)的優化，下文會分別闡述。

要說明的是，這個優化只是針對Hive 0.9版本。由于Hortonwork發起了Stinger項目，Hive后續版本應該能更加快速的響應查詢。目前已經發布的Hive 0.11就有不少新feature，比如針對數據倉庫中常用的星型模型的優化等等，這些就不在本文的討論范圍之內了。  

Map階段的優化

Map階段的優化，主要是確定合適的map數。那么首先要了解map數的計算公式，即：

num_map_tasks = max[${mapred.min.split.size}, 
min(${dfs.block.size}, ${mapred.max.split.size})]  

其中mapred.min.split.size指的是數據的最小分割單元大小;mapred.max.split.size指的是數據的***分割單元大小;dfs.block.size指的是HDFS設置的數據塊大小。

一般來說dfs.block.size這個值是一個已經指定好的值，而且這個參數默認情況下hive是識別不到的(除非在hive-site.xml中明確指定)，即：

hive> set dfs.block.size; 
dfs.block.size is undefined  

所以默認情況下只有mapred.min.split.size和mapred.max.split.size這兩個參數(本節內容后面就以min和max指代這兩個參數)來決定map數量。

在hive中min的默認值是1B，max的默認值是256MB，即：

hive> set mapred.min.split.size; 
mapred.min.split.size=1 
hive> set mapred.max.split.size; 
mapred.max.split.size=256000000  

所以如果不做修改的話，就是1個map task處理256MB數據，我們就以調整max為主。通過調整max可以起到調整map數的作用，減小max可以增加map數，增大max可以減少map數。需要提醒的是，直接調整mapred.map.tasks這個參數是沒有效果的。

調整大小的時機根據查詢的不同而不同，總的來講可以通過觀察map task的完成時間來確定是否需要增加map資源。如果map task的完成時間都是接近1分鐘，甚至幾分鐘了，那么往往增加map數量，使得每個map task處理的數據量減少，能夠讓map task更快完成;而如果map task的運行時間已經很少了，比如10-20秒，這個時候增加map不太可能讓map task更快完成，反而可能因為map需要的初始化時間反而讓job總體速度變慢，這個時候反而需要考慮是否可以把map的數量減少，這樣可以節省更多資源給其他Job。

Reduce階段的優化

這里說的reduce階段，是指前面流程圖中的reduce phase(實際的reduce計算)而非圖中整個reduce task。Reduce階段優化的主要工作也是選擇合適的reduce task數量，跟上面的map優化類似。

與map優化不同的是，reduce優化時，可以直接設置mapred.reduce.tasks參數從而直接指定reduce的個數。當然直接指定reduce個數雖然比較方便，但是不利于自動擴展。Reduce數的設置雖然相較map更靈活，但是也需要像map一樣設定一個自動生成規則，這樣運行定時job的時候就不用擔心原來設置的固定reduce數會由于數據量的變化而不合適。

Hive估算reduce數量的時候，使用的是下面的公式：

num_reduce_tasks = min(${hive.exec.reducers.max}, 
${input.size} / ${ hive.exec.reducers.bytes.per.reducer})  

也就是說，根據輸入的數據量大小來決定reduce的個數，默認hive.exec.reducers. bytes.per.reducer為1G，而且reduce個數不能超過一個上限參數值，這個參數的默認取值為999。所以我們以調整hive.exec.reducers.bytes.per.reducer為主來設置reduce個數。

設置reduce數同樣也是根據運行時間作為參考調整，并且可以根據特定的業務需求、工作負載類型總結出經驗，所以不再贅述。

Map與Reduce之間的優化

所謂map和reduce之間，主要有3道工序。首先要把map輸出的結果進行排序后做成中間文件，其次這個中間文件就能分發到各個reduce，***reduce端在執行reduce phase之前把收集到的排序子文件合并成一個排序文件。

***個階段中，由于內存不夠，數據可能沒辦法在內存中一次性排序完成，那么就只能把局部排序的文件先保存到磁盤上，這個動作叫spill，然后spill出來的多個文件可以在***進行merge。如果發生spill，可以通過設置io.sort.mb來增大mapper輸出buffer的大小，避免spill的發生。另外合并時可以通過設置io.sort.factor來使得一次性能夠合并更多的數據。調試參數的時候，一個要看spill的時間成本，一個要看merge的時間成本，還需要注意不要撐爆內存(io.sort.mb是算在map的內存里面的)。Reduce端的merge也是一樣可以用io.sort.factor。一般情況下這兩個參數很少需要調整，除非很明確知道這個地方是瓶頸。

關于文件從map端copy到reduce端，默認情況下在5%的map完成的情況下reduce就開始啟動copy，這個有時候是很浪費資源的，因為reduce一旦啟動就被占用，一直等到map全部完成，收集到所有數據才可以進行后面的動作，所以我們可以等比較多的map完成之后再啟動reduce流程，這個比例可以通過mapred.reduce.slowstart. completed.maps去調整，他的默認值就是5%。如果覺得這么做會減慢reduce端copy的進度，可以把copy過程的線程增大。tasktracker.http.threads可以決定作為server端的map用于提供數據傳輸服務的線程，mapred.reduce.parallel.copies可以決定作為client端的reduce同時從map端拉取數據的并行度(一次同時從多少個map拉數據)，修改參數的時候這兩個注意協調一下，server端能處理client端的請求即可。

文件格式的優化

文件格式方面有兩個問題，一個是給輸入和輸出選擇合適的文件格式，另一個則是小文件問題。小文件問題在目前的hive環境下已經得到了比較好的解決，hive的默認配置中就可以在小文件輸入時自動把多個文件合并給1個map處理(當然，如果能直接讀取大文件更好)，輸出時如果文件很小也會進行一輪單獨的合并，所以這里就不專門討論了。相關的參數可以在這里找到。

關于文件格式，Hive中目前主要是3種，textfile，sequencefile和rcfile。總體上來說，rcfile的壓縮比例和查詢時間稍好一點，所以推薦使用。

關于使用方法，在建表結構時可以指定格式，然后指定壓縮插入：

create table rc_file_test( col int ) stored as rcfile; 
set hive.exec.compress.output = true; 
insert overwrite table rc_file_test 
select * from source_table;  

另外create table as select時也可以指定輸出格式，這個時候就要通過hive.default. fileformat來設定： 

set hive.default.fileformat = SequenceFile; 
set hive.exec.compress.output = true; 
set mapred.output.compression.type = BLOCK; /*對于sequence file，壓縮方式有record和block兩種可選擇，block壓縮比更高*/ 
insert overwrite table seq_file_test 
select * from source_table;  

***要說的是，sequencefile和rcfile都是不支持空表要導入本地數據的，但是textfile格式的表可以支持文本在本地壓縮完成之后直接以壓縮格式導入，具體的做法可以看這里的詳細介紹。

Job整體優化

有一些問題必須從job的整體角度去觀察。這里討論幾個問題：Job執行模式(本地執行v.s.分布式執行)、索引、Join算法、以及數據傾斜。

Job執行模式

Hadoop的map reduce job可以有3種模式執行，即本地模式，偽分布式，還有真正的分布式。本地模式和偽分布式都是在最初學習hadoop的時候往往被說成是做單機開發的時候用到。但是實際上對于處理數據量非常小的job，直接啟動分布式job會消耗大量資源，而真正執行計算的時間反而非常少。這個時候就應該使用本地模式執行mr job，這樣執行的時候不會啟動分布式job，執行速度就會快很多。比如一般來說啟動分布式job，無論多小的數據量，執行時間一般不會少于20s，而使用本地mr模式，10秒左右就能出結果。

設置執行模式的主要參數有三個，一個是hive.exec.mode.local.auto，把他設為true就能夠自動開啟local mr模式。但是這還不足以啟動local mr，輸入的文件數量和數據量大小必須要控制，這兩個參數分別為hive.exec.mode.local.auto.tasks.max和hive.exec.mode.local.auto.inputbytes.max，默認值分別為4和128MB，即默認情況下，map處理的文件數不超過4個并且總大小小于128MB就啟用local mr模式。

索引

總體上來說，hive的索引目前還是一個不太適合使用的東西，這里只是考慮到敘述完整性，對其進行基本的介紹。

Hive中的索引架構開放了一個接口，允許你根據這個接口去實現自己的索引。目前hive自己有一個參考的索引實現(CompactIndex)，后來在0.8版本中又加入位圖索引。這里就講講CompactIndex。

CompactIndex的實現原理類似一個lookup table，而非傳統數據庫中的B樹。如果你對table A的col1做了索引，索引文件本身就是一個table，這個table會有3列，分別是col1的枚舉值，每個值對應的數據文件位置，以及在這個文件位置中的偏移量。通過這種方式，可以減少你查詢的數據量(偏移量可以告訴你從哪個位置開始找，自然只需要定位到相應的block)，起到減少資源消耗的作用。但是就其性能來說，并沒有很大的改善，很可能還不如構建索引需要花的時間。所以在集群資源充足的情況下，沒有太大必要考慮索引。

CompactIndex的還有一個缺點就是使用起來不友好，索引建完之后，使用之前還需要根據查詢條件做一個同樣剪裁才能使用，索引的內部結構完全暴露，而且還要花費額外的時間。具體看看下面的使用方法就了解了： 

/*在index_test_table表的id字段上創建索引*/ 
create index idx on table index_test_table(id)  
as 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler' 
with deferred rebuild; 
alter index idx on index_test_table rebuild; 
  
/*索引的剪裁。找到上面建的索引表，根據你最終要用的查詢條件剪裁一下。如果你想跟RDBMS一樣建完索引就用，那是不行的，會直接報錯，這也是其麻煩的地方。*/ 
create table my_index 
as select `_bucketname`, `_offsets` 
from default__index_test_table_idx__ where id = 10; 
  
/*現在可以用索引了，注意最終查詢條件跟上面的剪裁條件一致*/ 
set hive.index.compact.file = /user/hive/warehouse/my_index; 
set hive.input.format = org.apache.hadoop.hive.ql.index.compact.HiveCompactIndexInputFormat; 
select count(*) from index_test_table where id = 10;  

Join算法

處理分布式join，一般有兩種方法。一種是replication join：把其中一個表復制到所有節點，這樣另一個表在每個節點上面的分片就可以跟這個完整的表join了;另一種方法是repartition join：把兩份數據按照join key進行hash重分布，讓每個節點處理hash值相同的join key數據，也就是做局部的join。這兩種方式在M/R Job中分別對應了map side join和reduce side join。在一些MPP DB中，數據可以按照某列字段預先進行hash分布，這樣在跟這個表以這個字段為join key進行join的時候，該表肯定不需要做數據重分布了，這種功能是以HDFS作為底層文件系統的hive所沒有的。

在默認情況下，hive的join策略是進行reduce side join。當兩個表中有一個是小表的時候，就可以考慮用map join了，因為小表復制的代價會好過大表shuffle的代價。使用map join的配置方法有兩種，一種直接在sql中寫hint，語法是/*+MAPJOIN (tbl)*/，其中tbl就是你想要做replication的表。另一種方法是設置hive.auto.convert.join = true，這樣hive會自動判斷當前的join操作是否合適做map join，主要是找join的兩個表中有沒有小表。至于多大的表算小表，則是由hive.smalltable.filesize決定，默認25MB。

但是有的時候，沒有一個表足夠小到能夠放進內存，但是還是想用map join怎么辦?這個時候就要用到bucket map join。其方法是兩個join表在join key上都做hash bucket，并且把你打算復制的那個(相對)小表的bucket數設置為大表的倍數。這樣數據就會按照join key做hash bucket。小表依然復制到所有節點，map join的時候，小表的每一組bucket加載成hashtable，與對應的一個大表bucket做局部join，這樣每次只需要加載部分hashtable就可以了。

然后在兩個表的join key都具有唯一性的時候(也就是可做主鍵)，還可以進一步做sort merge bucket map join。做法還是兩邊要做hash bucket，而且每個bucket內部要進行排序。這樣一來當兩邊bucket要做局部join的時候，只需要用類似merge sort算法中的merge操作一樣把兩個bucket順序遍歷一遍即可完成，這樣甚至都不用把一個bucket完整的加載成hashtable，這對性能的提升會有很大幫助。

然后這里以一個完整的實驗說明這幾種join算法如何操作。

首先建表要帶上bucket：

create table map_join_test(id int) 
clustered by (id) sorted by (id) into 32 buckets 
stored as textfile;  

然后插入我們準備好的800萬行數據，注意要強制劃分成bucket(也就是用reduce劃分hash值相同的數據到相同的文件)：

set hive.enforce.bucketing = true; 
insert overwrite table map_join_test 
select * from map_join_source_data;  

這樣這個表就有了800萬id值(且里面沒有重復值，所以可以做sort merge)，占用80MB左右。

接下來我們就可以一一嘗試map join的算法了。首先是普通的map join：

select /*+mapjoin(a) */count(*) 
from map_join_test a 
join map_join_test b on a.id = b.id;  

然后就會看到分發hash table的過程： 

2013-08-31 09:08:43     Starting to launch local task to process map join;      maximum memory = 1004929024 
2013-08-31 09:08:45     Processing rows:   200000  Hashtable size: 199999  Memory usage:   38823016        rate:   0.039 
2013-08-31 09:08:46     Processing rows:   300000  Hashtable size: 299999  Memory usage:   56166968        rate:   0.056 
…… 
…… 
…… 
2013-08-31 09:12:39     Processing rows:  4900000 Hashtable size: 4899999 Memory usage:   896968104       rate:   0.893 
2013-08-31 09:12:47     Processing rows:  5000000 Hashtable size: 4999999 Memory usage:   922733048       rate:   0.918 
Execution failed with exit status: 2 
Obtaining error information 
  
Task failed! 
Task ID: 
Stage-4  

不幸的是，居然內存不夠了，直接做map join失敗了。但是80MB的大小為何用1G的heap size都放不下?觀察整個過程就會發現，平均一條記錄需要用到200字節的存儲空間，這個overhead太大了。不過這里我也搞不清楚hive為什么需要這么大空間，是否可以修改，總之對于map join的小表size一定要好好評估，如果有幾十萬記錄數就要小心了。

所以接下來我們就用bucket map join，之前分的bucket就派上用處了。只需要在上述sql的前面加上如下的設置：

set hive.optimize.bucketmapjoin = true; 

然后還是會看到hash table分發： 

2013-08-31 09:20:39     Starting to launch local task to process map join;      maximum memory = 1004929024 
2013-08-31 09:20:41     Processing rows:   200000  Hashtable size: 199999  Memory usage:   38844832        rate:   0.039 
2013-08-31 09:20:42     Processing rows:   275567  Hashtable size: 275567  Memory usage:   51873632        rate:   0.052 
2013-08-31 09:20:42     Dump the hashtable into file: file:/tmp/hadoop/hive_2013-08-31_21-20-37_444_1135806892100127714/-local-10003/HashTable-Stage-1/MapJoin-a-10-000000_0.hashtable 
2013-08-31 09:20:46     Upload 1 File to: file:/tmp/hadoop/hive_2013-08-31_21-20-37_444_1135806892100127714/-local-10003/HashTable-Stage-1/MapJoin-a-10-000000_0.hashtable File size: 11022975 
2013-08-31 09:20:47     Processing rows:   300000  Hashtable size: 24432   Memory usage:   8470976 rate:   0.008 
2013-08-31 09:20:47     Processing rows:   400000  Hashtable size: 124432  Memory usage:   25368080        rate:   0.025 
2013-08-31 09:20:48     Processing rows:   500000  Hashtable size: 224432  Memory usage:   42968080        rate:   0.043 
2013-08-31 09:20:49     Processing rows:   551527  Hashtable size: 275960  Memory usage:   52022488        rate:   0.052 
2013-08-31 09:20:49     Dump the hashtable into file: file:/tmp/hadoop/hive_2013-08-31_21-20-37_444_1135806892100127714/-local-10003/HashTable-Stage-1/MapJoin-a-10-000001_0.hashtable 
……  

這次就會看到每次構建完一個hash table(也就是所對應的對應一個bucket)，會把這個hash table寫入文件，重新構建新的hash table。這樣一來由于每個hash table的量比較小，也就不會有內存不足的問題，整個sql也能成功運行。不過光光是這個復制動作就要花去3分半的時間，所以如果整個job本來就花不了多少時間的，那這個時間就不可小視。

***我們試試sort merge bucket map join，在bucket map join的基礎上加上下面的設置即可：

set hive.optimize.bucketmapjoin.sortedmerge = true; 
set hive.input.format = org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;  

sort merge bucket map join是不會產生hash table復制的步驟的，直接開始做實際map端join操作了，數據在join的時候邊做邊讀。跳過復制的步驟，外加join算法的改進，使得sort merge bucket map join的效率要明顯好于bucket map join。

關于join的算法雖然有這么些選擇，但是個人覺得，對于日常使用，掌握默認的reduce join和普通的(無bucket)map join已經能解決大多數問題。如果小表不能完全放內存，但是小表相對大表的size量級差別也非常大的時候也可以試試bucket map join，不過其hash table分發的過程會浪費不少時間，需要評估下是否能夠比reduce join更高效。而sort merge bucket map join雖然性能不錯，但是把數據做成bucket本身也需要時間，另外其發動條件比較特殊，就是兩邊join key必須都唯一(很多介紹資料中都不提這一點。強調下必須都是唯一，哪怕只有一個表不唯一，出來的結果也是錯的)。這樣的場景相對比較少見，“用戶基本表 join 用戶擴展表”以及“用戶今天的數據快照 join 用戶昨天的數據快照”這類場景可能比較合適。

數據傾斜

所謂數據傾斜，說的是由于數據分布不均勻，個別值集中占據大部分數據量，加上hadoop的計算模式，導致計算資源不均勻引起性能下降。

還是拿博客網站的訪問日志說事吧。假設網站訪問日志中會記錄用戶的user_id，并且對于注冊用戶使用其用戶表的user_id，對于非注冊用戶使用一個user_id=0代表。那么鑒于大多數用戶是非注冊用戶(只看不寫)，所以user_id=0占據了絕大多數。而如果進行計算的時候如果以user_id作為group by的維度或者是join key，那么個別reduce會收到比其他reduce多得多的數據——因為它要接收所有user_id=0的記錄進行處理，使得其處理效果會非常差，其他reduce都跑完很久了它還在運行。

group by造成的傾斜和join造成的傾斜需要分開看。group by造成的傾斜有兩個參數可以解決，一個是hive.map.aggr，默認值已經為true，意思是會做map端的combiner。所以如果你的group by查詢只是做count(*)的話，其實是看不出傾斜效果的，但是如果你做的是count(distinct)，那么還是會看出一點傾斜效果。另一個參數是hive.groupby.skewindata。這個參數的意思是做reduce操作的時候，拿到的key并不是所有相同值給同一個reduce，而是隨機分發，然后reduce做聚合，做完之后再做一輪MR，拿前面聚合過的數據再算結果。所以這個參數其實跟hive.map.aggr做的是類似的事情，只是拿到reduce端來做，而且要額外啟動一輪job，所以其實不怎么推薦用，效果不明顯。

join造成的傾斜就比如上面描述的網站訪問日志和用戶表兩個表join：

select a.* from logs a join users b on a.user_id = b.user_id; 

hive給出的解決方案是，把這種user_id = 0的特殊值先不在reduce端計算掉，而是先寫入hdfs，然后啟動一輪map join專門做這個特殊值的計算，期望能提高計算這部分值的處理速度。當然你要告訴hive這個join是個skew join，即set hive.optimize.skewjoin = true;還有要告訴hive如何判斷特殊值，根據hive.skewjoin.key設置的數量hive可以知道，比如默認值是100000，那么超過100000條記錄的值就是特殊值。

另外對于特殊值的處理往往跟業務有關系，所以也可以從業務角度重寫sql解決。比如前面這種傾斜join，可以把特殊值隔離開來(從業務角度說，users表應該不存在user_id = 0的情況，但是這里還是假設有這個值，使得這個寫法更加具有通用性)： 

select a.* from 
( 
select a.* 
from (select * from logs where user_id = 0)  a 
join (select * from users where user_id = 0) b 
on a.user_id =  b.user_id 
union all 
select a.* 
from logs a join users b 
on a.user_id <> 0 and a.user_id = b.user_id 
)t;  

SQL整體優化

前面對于單個job如何做優化已經做過詳細討論，但是hive查詢會生成多個job，針對多個job，有什么地方需要優化?

首先，在hive生成的多個job中，在有些情況下job之間是可以并行的，典型的就是子查詢。當需要執行多個子查詢union all或者join操作的時候，job間并行就可以使用了。比如下面的代碼就是一個可以并行的場景示意： 

select * from 
( 
select count(*) from logs 
where log_date = 20130801 and item_id = 1 
union all 
select count(*) from logs 
where log_date = 20130802 and item_id = 2 
union all 
select count(*) from logs 
where log_date = 20130803 and item_id = 3 
) t

設置job間并行的參數是hive.exec.parallel，將其設為true即可。默認的并行度***為8，也就是允許sql中8個job并行。如果想要更高的并行度，可以通過hive.exec.parallel. thread.number參數進行設置，但要避免設置過大而占用過多資源。

另外在實際開發過程中也發現，一些實現思路會導致生成多余的job而顯得不夠高效。比如這個需求：取出cnblog某一天訪問日志中同時看過博主“小張”和博主“小李”的人數。低效的思路是面向明細的，先取出看過博主“小張”的用戶，再取出看過博主“小李”的用戶，然后取交集，代碼如下： 

select count(*) from 
(select distinct user_id 
 from cnblogs_visit_20130801 where blog_owner = ‘小張’) a 
join 
(select distinct user_id 
 from cnblogs_visit_20130801 where blog_owner = ‘小李’) b 
on a.user_id = b.user_id;  

這樣一來，就要產生2個求子查詢的job(當然，可以并行)，一個join job，還有一個計算count的job。

但是我們直接用面向統計的方法去計算的話，則會更加符合M/R的模式： 

select count(*) from 
( 
 select user_id, 
 count(case when blog_owner = ‘小張’ then 1 end) as visit_z, 
 count(case when blog_owner = ‘小李’ then 1 end) as visit_l 
 from cnblogs_visit_20130801 group by user_id 
) t 
where visit_z > 0 and visit_l > 0;  

這種實現方式轉換成job就只會有2個：內層的子查詢和外層的統計，更少的job也就帶來更高效的執行結果。

***種查詢方法符合思考問題的直覺，是工程師和分析師在實際查數據中***想到的寫法，然而想要更加快速的跑出結果，懂一點工具的內部機理，也是必須的。

【本文為51CTO專欄作者“王森豐”的原創稿件，轉載請注明出處】