Hive map阶段优化之一次详细的优化分析过程

news/2024/7/8 3:00:33 标签: 大数据

为什么80%的码农都做不了架构师？>>>   hot3.png

#背景 同事写了这样一段HQL(涉及公司数据，表名由假名替换，语句与真实场景略有不同，但不影响分析)：

CREATE TABLE tmp AS
SELECT
       t1.exk,
       t1.exv,
       M.makename AS m_makename,
       S.makename AS s_makename,
FROM
  (SELECT
          exk,
          exv
   FROM xx.xxx_log
   WHERE etl_dt = '2017-01-12'
     AND exk IN ('xxID', 'yyID') ) t1
LEFT JOIN xx.xxx_model_info M ON (M.modelid=t1.exv AND t1.exk='xxID')
LEFT JOIN xx.xxx_style_info S ON (S.styleid=t1.exv AND t1.exk='yyID')

任务运行过程中非常缓慢，同事反映说这个任务要跑一个多小时。初步问了下，xx.xxx_log表数据量在分区etl_dt = '2017-01-12'上大概1亿3000万，xx.xxx_model_info大概3000多，xx.xxx_style_info大概4万多。 #分析 ##第一步，分析HQL语句着手 从同事提供的数据量上看，两个left join显然应该是mapjoin，因为数据量差距悬殊。当前只有HQL语句，所以优化第一步当然要从HQL语句本身出发，看HQL语句是否有不恰当的地方。

从语句上看，就是取三张表的数据，按条件进行join，最后创建并插入一张hive表。语句上看没什么问题。

那就来看执行计划吧~ 我们只看建表后面的SELECT语句，如下

STAGE DEPENDENCIES:
  Stage-5 is a root stage
  Stage-4 depends on stages: Stage-5
  Stage-0 depends on stages: Stage-4

STAGE PLANS:
  Stage: Stage-5
    Map Reduce Local Work
      Alias -> Map Local Tables:
        m 
          Fetch Operator
            limit: -1
        s 
          Fetch Operator
            limit: -1
      Alias -> Map Local Operator Tree:
        m 
          TableScan
            alias: m
            Statistics: Num rows: 3118 Data size: 71714 Basic stats: COMPLETE Column stats: NONE
            HashTable Sink Operator
              filter predicates:
                0 {(_col0 = 'xxID')} {(_col0 = 'yyID')}
                1 
                2 
              keys:
                0 UDFToDouble(_col1) (type: double)
                1 UDFToDouble(modelid) (type: double)
                2 UDFToDouble(styleid) (type: double)
        s 
          TableScan
            alias: s
            Statistics: Num rows: 44482 Data size: 1023086 Basic stats: COMPLETE Column stats: NONE
            HashTable Sink Operator
              filter predicates:
                0 {(_col0 = 'xxID')} {(_col0 = 'yyID')}
                1 
                2 
              keys:
                0 UDFToDouble(_col1) (type: double)
                1 UDFToDouble(modelid) (type: double)
                2 UDFToDouble(styleid) (type: double)

  Stage: Stage-4
    Map Reduce
      Map Operator Tree:
          TableScan
            alias: xx.xxx_log
            Statistics: Num rows: 136199308 Data size: 3268783392 Basic stats: COMPLETE Column stats: NONE
            Filter Operator
              predicate: ((exk) IN ('xxID', 'yyID')) (type: boolean)
              Statistics: Num rows: 22699884 Data size: 544797216 Basic stats: COMPLETE Column stats: NONE
              Select Operator
                expressions: exk (type: string), exv (type: string)
                outputColumnNames: _col0, _col1
                Statistics: Num rows: 22699884 Data size: 544797216 Basic stats: COMPLETE Column stats: NONE
                Map Join Operator
                  condition map:
                       Left Outer Join0 to 1
                       Left Outer Join0 to 2
                  filter predicates:
                    0 {(_col0 = 'SerialID')} {(_col0 = 'CarID')}
                    1 
                    2 
                  keys:
                    0 UDFToDouble(_col1) (type: double)
                    1 UDFToDouble(modelid) (type: double)
                    2 UDFToDouble(styleid) (type: double)
                  outputColumnNames: _col0, _col1, _col13, _col32
                  Statistics: Num rows: 49939745 Data size: 1198553901 Basic stats: COMPLETE Column stats: NONE
                  Select Operator
                    expressions: _col0 (type: string), _col1 (type: string), _col13 (type: string), _col32 (type: string)
                    outputColumnNames: _col0, _col1, _col2, _col3
                    Statistics: Num rows: 49939745 Data size: 1198553901 Basic stats: COMPLETE Column stats: NONE
                    File Output Operator
                      compressed: false
                      Statistics: Num rows: 49939745 Data size: 1198553901 Basic stats: COMPLETE Column stats: NONE
                      table:
                          input format: org.apache.hadoop.mapred.TextInputFormat
                          output format: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat
                          serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
      Local Work:
        Map Reduce Local Work

  Stage: Stage-0
    Fetch Operator
      limit: -1
      Processor Tree:
        ListSink

执行计划上分为三个stage，第一个处理两张小表的，把小表内容处理成HashTable来做mapjoin，这个跟我们上面的分析一致。第二个用于处理大表和小表的mapjoin，最后一个则是关联后的数据输出。

从执行计划上看，似乎也没什么问题，一切很正常~~

既然从SQL本身找不到问题，那说明有可能出现在数据上或机器上，就只能具体问题具体看了。

##第二步，查建表语句，看表的压缩格式是不是不支持分割导致部分map任务处理时间过长 Hive支持多种压缩格式，有的压缩格式支持split，而有的并不支持，比如LZO。当不支持split的时候，数据块有多大，Hive的map任务就得处理多大，而Hive表的分区数据有可能存在不均衡的现象，就会导致有的map快，有的map慢。当遇到LZO格式的时候，最好的方式是建立索引，可以加快处理速度。

用show create table从建表语句里看，并没有使用LZO的表。而在hdfs上直接查看三张表的文件大小，最大的那张表加上条件后还有24个分区，每个分区的大小不一样。但是由于任务有40个map，由此可知有些分区的数据是拆成了几个map任务的，所以再一次证明是可切分的，排除不可切分导致的map任务问题。

##第三步，分析任务运行状况 找到运行完的任务，查看运行界面图可以看到，map任务的时间长短不一，最短的1分钟之内，最长的达半个多小时。

乍一看，好像是数据倾斜导致的，要确定是否数据倾斜，我们需要随机挑几个时间长的map任务，和时间短的map任务，看看各自的数据量和数据大小。

对比发现，数据量基本都在100万到130之间，而数据大小也在100多MB左右(不能只看数据量，数据大小也很重要，防止空列这种数据倾斜情况)。

这样一来，map端的数据倾斜其实是不存在的，所以map任务应该基本上是均衡的。那为什么时间上会相差这么大呢？

进而猜测，是不是因为某些慢的任务刚好被挤在某台或某几台机器上，而刚好这几台机器负载重，所以比较慢？

到这里，我们统计下慢的几个map任务都在什么机器上，统计完发现，果然最慢的十几个任务集中分布在两台机器上，一台机器大概六七个的样子。按7个任务算，每个任务读100多MB的文件，怎么说都在几分钟之内可以搞定吧，所以好像真的跟机器负载有关系~

所以机器这里我们也必须去看一看，看看是不是负载导致的。重新跑一下上面的任务，找到map慢的几台机器，做如下查看：

分别从CPU、内存、磁盘IO和网络IO来看，这是服务器状况查看的基本入口：

  • top 命令可以辅助我们查看CPU的状况，结果发现CPU平均负载不过50%
  • iostat -x 5 命令可以辅助我们查看磁盘IO情况，我们发现请求数比较高但是平均等待队列并不高，磁盘读写都跟得上，所以磁盘也不是问题
  • sar -n DEV 5 命令可以辅助我们查看网络IO的情况，服务器至少是千兆网卡，支持至少1Gb/s的速度，而从输出来看，网络远远不是问题

由此，我们排除了机器负载过高导致无法服务的问题，同时问了下同事，说是这个任务跑了好多次都这样，好多次都这样说明机器应该不是问题，因为机器随机分，不可能每次都分到慢的机器上。所以说每次都map慢跟机器无关，而是我们SQL的问题。

##第四步，再触SQL，分段分析 上面的分析已经确认跟机器无关，与数据不可分割也无关，而执行计划上看也没什么问题。那么只好一段一段的来看SQL了。

1、两张小表是要分发到各节点的，所以不考虑，我们按条件读一次大表的数据，统计下行数

SELECT COUNT(1)
FROM xx.xxx_log
WHERE etl_dt = '2017-01-12'
  AND exk IN ('xxID', 'yyID')

结果发现时间只花了2分钟左右，说明SQL不慢在这里。只能慢在join两张小表上了，而小表join是mapjoin，理论上应该不慢才对。

2、考虑只join一张表来看 先选表xx.xxx_model_info

SELECT COUNT(1)
from (
SELECT
       t1.exk,
       t1.exv,
       M.makename AS m_makename
FROM
  (SELECT
          exk,
          exv
   FROM xx.xxx_log
   WHERE etl_dt='2017-01-12'
     AND exk IN ('xxID', 'yyID') ) t1
LEFT JOIN xx.xxx_model_info M ON (M.modelid=t1.exv AND t1.exk='xxID')) tmp

上面是跟3118的一张小表join，可以看到执行计划是mapjoin，而执行时间则出乎意料，用了大概2分钟，与单独计算大表行数差不多。

由此可以想到，mapjoin很慢应该与另一张表有关系，我们下面再执行跟另一张表join的情况，如果还是这么快，那说明两个同时mapjoin在Hive上可能存在缺陷，而如果很慢，则说明mapjoin只跟那张小表有关系。

再选表xx.xxx_style_info

SELECT COUNT(1)
from (
SELECT
       t1.exk,
       t1.exv,
       S.makename AS s_makename
FROM
  (SELECT
          exk,
          exv
   FROM xx.xxx_log
   WHERE etl_dt='2017-01-12'
     AND exk IN ('xxID', 'yyID') ) t1
LEFT JOIN xx.xxx_style_info S ON (S.styleid=t1.exv AND t1.exk='yyID') ) tmp

这下执行结果奇慢无比，map阶段进展很缓慢。由此说明大表与这张小表的mapjoin存在问题，可是mapjoin为啥还存在问题呢？ 问题又在哪呢？

##第五步，仍不放弃执行计划 当看到上面问题的时候，一头雾水，所以着重再看执行计划是一个不错的方案。很容易想到，同是两个数据量相差不大的小表，mapjoin的运行速度为什么会不一样？是字段类型导致join连接出问题？

当我们仔细再去看最上面的执行计划的时候，我们会发现我们之前忽视的一个细节，那就是执行计划里有UDFToDouble这个转换，很奇怪我们并没有调用这样的UDF啊，怎么会有这样的转换呢？ 唯一的解释只能是join字段匹配。

我们查一下join字段发现，大表的exv字段是string类型，两个小表的关联字段都是int型，它们在join的时候，居然都先转成了double型？？？ 这是什么鬼？ 难道不应该都往string类型转换，然后再join吗？

查下Hive官网才发现，类型关系是酱紫的...

hive type|center

double类型是string类型和int类型的公共类型，所以它们都会往公共类型上转！

实际写SQL中，也强烈建议自己做类型匹配的处理，不要拜托给解析器，不然问题很严重。

我们把小表的int类型转换为string类型再做上面第二张表的join，如下：

SELECT COUNT(1)
from (
SELECT
       t1.exk,
       t1.exv,
       S.makename AS s_makename
FROM
  (SELECT
          exk,
          exv
   FROM xx.xxx_log
   WHERE etl_dt='2017-01-12'
     AND exk IN ('xxID', 'yyID') ) t1
LEFT JOIN xx.xx_style_info S ON (cast(S.styleid as string)=t1.exv AND t1.exk='yyID') ) tmp

结果符合预料，2分钟左右的时间可以完成这个SQL任务。而当整个任务也这么改之后，任务跑完也只要几分钟！

由此可见，事情都因细节而起！做join操作的时候，写SQL的人其实是最清楚字段类型的，做上字段类型匹配小菜一碟，可以避免很多问题!!!

##第六步，解开谜团 到这里，我们这个Hive任务的问题已经找到，那就是join两边key的数据类型不对，导致两边的数据类型都要向上做提升才能关联。

但其实还是有问题的，上面第四步的实验提到，当用大表与3118条数据的小表xx.xxx_model_info进行关联的时候，很快可以出结果。但是当用大表与另一张小表xx.xxx_style_info进行关联时，却发现奇慢无比，也即问题跟它有很大关系。大表无论与哪张小表关联，都要做类型提升，两张小表的数据量相比大表而言，其实相差不大，但为啥数据量稍大的小表关联就出问题呢？

我们单独对三张表做类型转换，转为double类型，结果发现三张表的类型转换都很快，并不存在因为数据不同导致转换速度不一样的情况，由此排除是类型提升时出的问题。因而问题最有可能出现在MapJoin身上！

在MapJoin阶段，会把小表的内容加载到内存中，使用容器HashMap做存储，然后对大表的关联列进行扫描，每扫描一行都会去查看HashMap中有没有对应的关联列。这样做起来其实是很快的，同时在Map端也减少了大量数据输出到Reduce端。

但是当HashMap的碰撞非常严重的时候，它的效率会变得非常低，这时 Hive会把小表的存储由HashMap降级为LinkedList！而HashMap里的hash计算是依赖key对应类型的hashcode的，如果大量不同key的hashcode相同，那么HashMap里的碰撞就会非常严重。

在MapJoin阶段，double类型使用的是DoubleWriteable，它的hashcode实现是一个错误的实现，如下：

return (int)Double.doubleToLongBits(value);

long转为int会产生溢出，因此不同的value很可能得到相同的hashcode，hashcode碰撞非常明显。

这个问题早在 Hadoop-12217 里被提到，因为他们在使用Hive的时候碰到了和我相同的问题，就是类型提升为double时出现MapJoin异常缓慢的情况。其描述如下：

hadoop-12217

其patch里提到正确的更改方式如下：

long dblBits = Double.doubleToLongBits(value);
return (int) (dblBits ^ (dblBits >>> 32));

不过这个bug目前并未修复(当前版本：Hadoop 2.6.0-cdh5.5.1, Hive 1.1.0-cdh5.5.1)，由于它导致我们数据量稍大的那张小表在MapJoin阶段由HashMap转为了LinkedList，因此数据扫描及其缓慢。而另一张3118条数据的小表，则刚好不存在hash code碰撞的问题，所以Map Join很快。

所以，最终的问题就在于此，所有的表象皆由它引起。最好的解决办法是在Join之前先做转换，让join时的键关联保持类型一致并不为double类型即可。这个需要在写HQL时时常注意，问题虽小，但是要找到它确实不容易，很是花时间。

欢迎阅读转载，转载请注明出处：https://my.oschina.net/u/2539801/blog/868041

转载于:https://my.oschina.net/kavn/blog/868041


http://www.niftyadmin.cn/n/1778347.html

相关文章

C#如何发布项目 发布软件

C#如何发布项目 发布软件

如下图所示，我随便搞了一个小软件，为了测试还在Debug目录下放了一个一副图片和一个LOGO 直接点击生成-发布 "软件名称"，然后点击完成 结果报错说没找到SignTool.exe 我参照网上的很多方法，找到SignTool.exe，…
阅读更多...
定制自己的mybatis生成

定制自己的mybatis生成

MyBatis Generator原生提供的生成方式targetRuntime有几种，但都不符合项目需求或想自定义自己的方法。　　网上的文章也很多：　　　　如：http://generator.sturgeon.mopaas.com/reference/extending.html　　　　这里我说下我的做法&#xff…
阅读更多...
android java kindle_Android - Download(下载) 项目 详解

android java kindle_Android - Download(下载) 项目 详解

Download(下载) 项目 详解本文地址: http://blog.csdn.net/caroline_wendy/article/details/22280461环境: Android 0.5.2 gradle 1.11 kindle fireDownload, 下载项目, 从Internet上下载资源, 并存入本地SD卡.点击Download按钮, 下载图片, 然后显示下载内容, 可以点击查看.D…
阅读更多...
ES6笔记（6）-- Set、Map结构和Iterator迭代器

ES6笔记（6）-- Set、Map结构和Iterator迭代器

系列文章 -- ES6笔记系列 搞ES6的人也是够无聊，把JS弄得越来越像Java、C，连Iterator迭代器、Set集合、Map结构都出来了，不知道说什么好... 一、简单使用 1. iterator 学过C的人应该知道这是个迭代器对象，拥有一个指针，…
阅读更多...
喵哈哈村的魔法考试 Round #10 (Div.2) 题解

喵哈哈村的魔法考试 Round #10 (Div.2) 题解

喵哈哈村与哗啦啦村的大战&#xff08;一&#xff09; 最大值就是全部3&#xff0c;最小值就是全部-3&#xff0c;注意不能降为负数。 #include<bits/stdc.h> using namespace std; const int maxn 105; int a[maxn],n; int main(){while(cin>>n){int ans10,ans20…
阅读更多...
java aop 自定义_Spring aop 记录操作日志 Aspect 自定义注解

java aop 自定义_Spring aop 记录操作日志 Aspect 自定义注解

时间过的真快&#xff0c;转眼就一年了&#xff0c;没想到随手写的笔记会被这么多人浏览&#xff0c;不想误人子弟&#xff0c;于是整理了一个优化版&#xff0c;在这里感谢智斌哥提供的建议和帮助&#xff0c;话不多说&#xff0c;进入正题所需jar包 &#xff1a;spring4.3相关…
阅读更多...
DenyHosts 安装及配置详解

DenyHosts 安装及配置详解

DenyHosts是Python语言写的一个程序&#xff0c;它会分析sshd的日志文件&#xff08;/var/log/secure&#xff09;&#xff0c;当发现重 复的攻击时就会记录IP到/etc/hosts.deny文件&#xff0c;从而达到自动屏IP的功能。 下面进入主题。 1。安装脚本 要求安装服务器能上网&…
阅读更多...
ElasticSearch之安装入门

ElasticSearch之安装入门

2019独角兽企业重金招聘Python工程师标准>>> 基本概念 Cluster&#xff1a;由多个Node组成&#xff0c;默认名字是elasticsearch。Node&#xff1a;是集群单独的一个server&#xff0c;用来存储数据&#xff0c;参与cluster的索引和自动扩展&#xff0c;在一个clust…
阅读更多...
最新文章

Copyright @ 2022~2023