Hive任务优化--控制hive任务中的map数和reduce数

1、    控制hive任务中的map数:

1.    一般状况下，做业会经过input的目录产生一个或者多个map任务。
主要的决定因素有： input的文件总个数，input的文件大小，集群设置的文件块大小(目前为128M, 可在hive中经过set dfs.block.size;命令查看到，该参数不能自定义修改)；

2.    举例：
a)    假设input目录下有1个文件a,大小为780M,那么hadoop会将该文件a分隔成7个块（6个128m的块和1个12m的块），从而产生7个map数
b)    假设input目录下有3个文件a,b,c,大小分别为10m，20m，130m，那么hadoop会分隔成4个块（10m,20m,128m,2m）,从而产生4个map数
即，若是文件大于块大小(128m),那么会拆分，若是小于块大小，则把该文件当成一个块。

3.    是否是map数越多越好？
答案是否认的。若是一个任务有不少小文件（远远小于块大小128m）,则每一个小文件也会被当作一个块，用一个map任务来完成，
而一个map任务启动和初始化的时间远远大于逻辑处理的时间，就会形成很大的资源浪费。
并且，同时可执行的map数是受限的。

4.    是否是保证每一个map处理接近128m的文件块，就高枕无忧了？
答案也是不必定。好比有一个127m的文件，正常会用一个map去完成，但这个文件只有一个或者两个小字段，却有几千万的记录，
若是map处理的逻辑比较复杂，用一个map任务去作，确定也比较耗时。

针对上面的问题3和4，咱们须要采起两种方式来解决：即减小map数和增长map数；

如何合并小文件，减小map数？
    假设一个SQL任务：
         Select count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’;
         该任务的inputdir  /group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04
         共有194个文件，其中不少是远远小于128m的小文件，总大小9G，正常执行会用194个map任务。
         Map总共消耗的计算资源： SLOTS_MILLIS_MAPS= 623,020

         我经过如下方法来在map执行前合并小文件，减小map数：
         set mapred.max.split.size=100000000;
                    set mapred.min.split.size.per.node=100000000;
                    set mapred.min.split.size.per.rack=100000000;
                    set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
                 再执行上面的语句，用了74个map任务，map消耗的计算资源：SLOTS_MILLIS_MAPS= 333,500
         对于这个简单SQL任务，执行时间上可能差很少，但节省了一半的计算资源。
         大概解释一下，100000000表示100M, set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;这个参数表示执行前进行小文件合并，
         前面三个参数肯定合并文件块的大小，大于文件块大小128m的，按照128m来分隔，小于128m,大于100m的，按照100m来分隔，把那些小于100m的（包括小文件和分隔大文件剩下的），
         进行合并,最终生成了74个块。
         
如何适当的增长map数？

         当input的文件都很大，任务逻辑复杂，map执行很是慢的时候，能够考虑增长Map数，来使得每一个map处理的数据量减小，从而提升任务的执行效率。
         假设有这样一个任务：
         Select data_desc,
                count(1),
                count(distinct id),
                sum(case when …),
                sum(case when ...),
                sum(…)
        from a group by data_desc
                   若是表a只有一个文件，大小为120M，但包含几千万的记录，若是用1个map去完成这个任务，确定是比较耗时的，这种状况下，咱们要考虑将这一个文件合理的拆分红多个，
                   这样就能够用多个map任务去完成。
                   set mapred.reduce.tasks=10;
                   create table a_1 as 
                   select * from a 
                   distribute by rand(123); 
                   
                   这样会将a表的记录，随机的分散到包含10个文件的a_1表中，再用a_1代替上面sql中的a表，则会用10个map任务去完成。
                   每一个map任务处理大于12M（几百万记录）的数据，效率确定会好不少。
    
   看上去，貌似这两种有些矛盾，一个是要合并小文件，一个是要把大文件拆成小文件，这点正是重点须要关注的地方，
   根据实际状况，控制map数量须要遵循两个原则：使大数据量利用合适的map数；使单个map任务处理合适的数据量；

2、    控制hive任务的reduce数：

1.    Hive本身如何肯定reduce数：
reduce个数的设定极大影响任务执行效率，不指定reduce个数的状况下，Hive会猜想肯定一个reduce个数，基于如下两个设定：
hive.exec.reducers.bytes.per.reducer（每一个reduce任务处理的数据量，默认为1000^3=1G） 
hive.exec.reducers.max（每一个任务最大的reduce数，默认为999）
计算reducer数的公式很简单N=min(参数2，总输入数据量/参数1)
即，若是reduce的输入（map的输出）总大小不超过1G,那么只会有一个reduce任务；
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 总大小为9G多，所以这句有10个reduce

2.    调整reduce个数方法一：
调整hive.exec.reducers.bytes.per.reducer参数的值；
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; 此次有20个reduce
         
3.    调整reduce个数方法二；
set mapred.reduce.tasks = 15;
select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt;此次有15个reduce

4.    reduce个数并非越多越好；
同map同样，启动和初始化reduce也会消耗时间和资源；
另外，有多少个reduce,就会有多少个输出文件，若是生成了不少个小文件，那么若是这些小文件做为下一个任务的输入，则也会出现小文件过多的问题；

5.    什么状况下只有一个reduce；
不少时候你会发现任务中无论数据量多大，无论你有没有设置调整reduce个数的参数，任务中一直都只有一个reduce任务；
其实只有一个reduce任务的状况，除了数据量小于hive.exec.reducers.bytes.per.reducer参数值的状况外，还有如下缘由：
a)    没有group by的汇总，好比把select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt; 写成 select count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04';
这点很是常见，但愿你们尽可能改写。
b)    用了Order by
c)    有笛卡尔积
一般这些状况下，除了找办法来变通和避免，我暂时没有什么好的办法，由于这些操做都是全局的，因此hadoop不得不用一个reduce去完成；

    一样的，在设置reduce个数的时候也须要考虑这两个原则：使大数据量利用合适的reduce数；使单个reduce任务处理合适的数据量。