Hive怎麼調整優化Tez引擎的查詢？在Tez上優化Hive查詢的指南

来源:https://www.cnblogs.com/the-pig-of-zf/p/18259403
-Advertisement-
Play Games

在Tez上優化Hive查詢無法採用一刀切的方法。查詢性能取決於數據的大小、文件類型、查詢設計和查詢模式。在性能測試過程中，應評估和驗證配置參數及任何SQL修改。建議在工作負載的性能測試過程中一次只進行一項更改，並最好在開發環境中評估調優更改的影響，然後再在生產環境中使用。 ...


目錄

在Tez上優化Hive查詢的指南

在Tez上優化Hive查詢無法採用一刀切的方法。查詢性能取決於數據的大小、文件類型、查詢設計和查詢模式。在性能測試過程中，應評估和驗證配置參數及任何SQL修改。建議在工作負載的性能測試過程中一次只進行一項更改，並最好在開發環境中評估調優更改的影響，然後再在生產環境中使用。

這裡分享一些關於Tez上Hive查詢的基本故障排除和調優指南。

調優指南

不同的hive版本，不同執行引擎之間的調優行為有所差異，所以同一條sql可能會有不一樣的速度。

一般情況下，我們可以通過以下步驟有助於識別可能導致性能下降的地方。

  1. 驗證和確認YARN容量調度器配置

隊列配置錯誤可能會由於對用戶可用資源的任意限制而影響查詢性能。驗證用戶限制因數、最小用戶限制百分比和最大容量。

  1. 檢查Hive和HiveServer2配置中的任何安全閥（非預設值）是否相關

移除任何遺留的和過時的屬性。

  1. 識別緩慢的區域，例如mapper任務、reducer任務和連接操作
  • 審查Tez引擎和平臺的通用調優屬性。
  • 審查mapper任務並根據需要增加/減少任務數。
  • 審查reducer任務並根據需要增加/減少任務數。
  • 審查任何併發相關的問題——併發問題分為兩種，如下所述：
    • 隊列內用戶間的併發。這可以通過調整YARN隊列的用戶限制因數進行調優（詳細信息參考容量調度器博客）。
    • Hive on Tez會話的預熱容器之間的併發，詳見下文。

理解Tez中的並行化

在更改任何配置之前，必須瞭解Tez內部的工作機制。例如，這包括瞭解Tez如何確定正確的mapper和reducer數量。審查Tez架構設計以及有關初始任務並行性和自動reducer並行性的詳細信息將有助於優化查詢性能。

理解mapper數量

Tez使用作業的初始輸入數據確定mapper任務的數量。在Tez中，任務數量由分組拆分決定，這相當於MapReduce作業中輸入拆分確定的mapper數量。

  • tez.grouping.min-size 和 tez.grouping.max-size 決定mapper的數量。min-size的預設值為16 MB，max-size為1 GB。
  • Tez確定任務數量，使每個任務的數據量符合最大/最小分組大小。
  • 減少 tez.grouping.max-size 會增加任務/mapper數量。
  • 增加 tez.grouping.max-size 會減少任務數量。

例如：

  • 輸入數據（輸入碎片/拆分） – 1000個文件（約1.5 MB大小）
  • 總數據量約為 – 1000*1.5 MB = ~1.5 GB
  • Tez可能嘗試使用至少兩個任務處理這些數據，因為每個任務的最大數據量可能為1 GB。最終，Tez可能強制將1000個文件（拆分）組合到兩個任務中，導致執行時間變慢。
  • 如果將 tez.grouping.max-size 從1 GB減少到100 MB，mapper數量可能增加到15，從而提供更好的並行性。性能因此提高，因為改進的並行性將工作分散到15個併發任務中。

以上是一個示例場景，然而在生產環境中使用ORC或Parquet等二進位文件格式時，根據存儲類型、拆分策略文件或HDFS塊邊界確定mapper數量可能會變得複雜。

註意：更高程度的並行性（如mapper/reducer數量多）並不總是意味著更好的性能，因為它可能導致每個任務的資源減少以及由於任務開銷而導致的資源浪費。

理解reducer數量

Tez使用多種機制和設置確定完成查詢所需的reducer數量。

  • Tez根據要處理的數據（位元組數）自動確定reducer。
  • 如果 hive.tez.auto.reducer.parallelism 設置為true，Hive會估算數據大小並設置並行性估算值。Tez將在運行時採樣源頂點的輸出大小並根據需要調整估算值。
  • 預設情況下，最大reducer數量設置為1009（hive.exec.reducers.max）。
  • Hive/Tez使用以下公式估算reducer數量，然後調度Tez DAG：
Max(1, Min(hive.exec.reducers.max [1009], ReducerStage estimate/hive.exec.reducers.bytes.per.reducer)) x hive.tez.max.partition.factor [2]

以下三個參數可以調整以增加或減少mapper數量：

  • hive.exec.reducers.bytes.per.reducer：每個reducer的大小。更改為較小值以增加並行性，或更改為較大值以減少並行性。預設值為256 MB（即如果輸入大小為1 GB，則使用4個reducer）。
  • tez.min.partition.factor：預設值為0.25。
  • tez.max.partition.factor：預設值為2.0。增加以增加reducer數量，減少以減少reducer數量。

用戶可以使用 mapred.reduce.tasks 手動設置reducer數量。這不推薦使用，應避免使用。

建議：

  • 避免手動設置reducer數量。
  • 增加reducer數量並不總是能保證更好的性能。
  • 根據reducer階段估算，如果要增加或減少reducer數量，可以調整 hive.exec.reducers.bytes.per.reducer 參數到較小或較大值。

併發

我們需要理解和調整Tez上的Hive併發會話，如運行多個Tez AM容器。以下屬性有助於理解預設隊列和會話數量行為。

  • hive.server2.tez.default.queues：與YARN隊列對應的以逗號分隔的值列表，用於維護Tez會話池。
  • hive.server2.tez.sessions.per.default.queue：每個YARN隊列中保持在池中的Tez會話（DAGAppMaster）數量。
  • hive.server2.tez.initialize.default.sessions：如果啟用，HiveServer2（HS2）在啟動時將啟動所有必要的Tez會話以滿足 sessions.per.default.queue 要求。

當定義以下屬性時，HiveServer2將為每個預設隊列創建一個Tez Application Master（AM），乘以HiveServer2服務啟動時的會話數量。因此：

(Tez Sessions)total = HiveServer2instances x (default.queues) x (sessions.per.default.queue)

示例說明：

  • hive.server2.tez.default.queues= “queue1, queue2”
  • hive.server2.tez.sessions.per.default.queue=2
    =>HiveServer2將創建4個Tez AM（queue1兩個，queue2兩個）。

註意：池中的Tez會話總是運行，即使在空閑集群上。

如果HiveServer2連續使用，這些Tez AM將繼續運行，但如果HS2空閑，這些Tez AM將根據 tez.session.am.dag.submit.timeout.secs 定義的超時被終止。

案例1：未指定隊列名稱

如果查詢未指定隊列名稱（tez.queue.name），則只會使用池中的Tez AM（如上所述初始化）。在這種情況下，HiveServer2將選擇一個空閑/可用的Tez AM（隊列名稱可能是隨機選擇的）。如果未指定隊列名稱，則查詢將保持在HiveServer2中的掛起狀態，直到池中有一個可用的預設Tez AM來處理查詢。在JDBC/ODBC客戶端或HiveServer2日誌文件中不會有任何消息。由於沒有消息生成，當查詢掛起時，用戶可能會認為JDBC/ODBC連接或HiveServer2已斷開，但實際上它在等待一個Tez AM執行查詢。

案例2：指定隊列名稱

如果查詢指定了隊列名稱，無論有多少初始化的Tez AM正在使用或空閑，HiveServer2都會為此連接創建一個新的Tez AM，並且查詢可以執行（如果隊列有可用資源）。

併發的指南/建議

  • 對於不希望用戶限制在同一個Tez AM池中的用例或查詢，將 hive.server2.tez.initialize.default.sessions 設置為false。禁用此選項可以減少HiveServer2上的爭用並提高查詢性能。
  • 此外，增加 hive.server2.tez.sessions.per.default.queue 的會話數量。
  • 如果有需要為每組用戶提供單獨或專用Tez AM池的用例，需要為每組用戶提供專用的HiveServer2服務，每個服務具有相應的預設隊列名稱和會話數量，並要求每組用戶使用各自的HiveServer2。

容器復用和預熱容器

容器復用

這是一個優化，可以減少容器的啟動時間影響。通過設置 tez.am.container.reuse.enabled 為true來啟用此功能。這節省了與YARN交互的時間。還可以保持容器組活躍，快速旋轉容器，並跳過YARN隊列。

預熱容器

容器數量與將附加到每個Tez AM的YARN執行容器數量相關。即使Tez AM空閑（未執行查詢），每個AM也會保留相同數量的容器。在某些情況下，這可能會導致太多容器空閑且未釋放，因為這裡定義的容器將被Tez AM保留，即使它是空閑的。這些空閑容器將繼續占用YARN中的資源，其他應用程式可能會利用這些資源。

以下屬性用於配置預熱容器：

  • hive.prewarm.enabled
  • hive.prewarm.numcontainers

一般Tez調優參數

在處理Tez上Hive查詢的性能下降時，審查以下屬性作為一級檢查。您可能需要根據查詢和數據屬性設置或調整其中一些屬性。最好在開發和QA環境中評估配置屬性，然後根據結果將其推送到生產環境。

  • hive.cbo.enable
    將此屬性設置為true啟用基於成本的優化（CBO）。CBO是Hive查詢處理引擎的一部分，由Apache Calcite提供支持。CBO通過檢查查詢中指定的表和條件生成有效的查詢計劃，最終減少查詢執行時間並提高資源利用率。

  • hive.auto.convert.join
    將此屬性設置為true允許Hive根據輸入文件大小啟用將常見連接轉換為mapjoin的優化。

  • hive.auto.convert.join.noconditionaltask.size
    您將希望在查詢中儘可能多地執行mapjoin。此大小配置使用戶可以控製表的大小以適應記憶體。該值表示可以轉換為適合記憶體的哈希表的表的大小總和。建議將其設置為 hive.tez.container.size 的1/3。

  • tez.runtime.io.sort.mb
    輸出排序時的排序緩衝區大小。建議將其設置為 hive.tez.container.size 的40%，最大值為2 GB。通常不需要超過此最大值。

  • tez.runtime.unordered.output.buffer.size-mb
    當輸出不需要排序時的記憶體。這是緩衝區的大小，如果不直接寫入磁碟。建議將其設置為 hive.tez.container.size 的10%。

  • hive.exec.parallel
    此屬性啟用Hive查詢階段的並行執行。預設情況下，此屬性設置為false。將此屬性設置為true有助於並行化獨立的查詢階段，從而整體提高性能。

  • hive.vectorized.execution.enabled
    矢量化查詢執行是Hive的一個功能，它大大減少了典型查詢操作（如掃描、過濾、聚合和連接）的CPU使用量。預設情況下，此屬性設置為false。將其設置為true。

  • hive.merge.tezfiles
    預設情況下，此屬性設置為false。將此屬性設置為true會合併Tez文件。使用此屬性可能會根據數據大小或要合併的文件數量增加或減少查詢的執行時間。在使用此屬性之前，請在較低環境中評估查詢性能。

  • hive.merge.size.per.task
    此屬性描述作業結束時合併文件的大小。

  • hive.merge.smallfiles.avgsize
    當作業的平均輸出文件大小小於此數字時，Hive將啟動一個額外的map-reduce作業將輸出文件合併為更大的文件。預設情況下，此屬性設置為16 MB。

文章來源：Hive怎麼調整優化Tez引擎的查詢？在Tez上優化Hive查詢的指南

本文來自博客園，作者：張飛的豬，轉載請註明原文鏈接：https://www.cnblogs.com/the-pig-of-zf/p/18259403

公眾號：張飛的豬大數據分享，不定期分享大數據學習的總結和相關資料，歡迎關註。

個人網站"張飛的豬編程工作室"鏈接: https://zhangfeidezhu.com


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • TiDB體系架構
    本文分享自天翼雲開發者社區《TiDB體系架構》，作者:x****n 如圖所示，TiDB體系中三大組成部分：PD、TiDB Server、TiKV 1.PD：負責產生全局的TSO時間、控制Region在TIkv中的分佈、產生全局事務ID、還有其他ID。 2.TiDB：沒有數據落地，接收客戶端sql語句 ...
  • 解讀MySQL 8.0數據字典的初始化與啟動
    本文分享自華為雲社區《MySQL全文索引源碼剖析之Insert語句執行過程》，作者：GaussDB 資料庫。 本文主要介紹MySQL 8.0數據字典的基本概念和數據字典的初始化與啟動載入的主要流程。 MySQL 8.0數據字典簡介 數據字典（Data Dictionary, DD）用來存儲資料庫內部 ...
  • Redis哨兵模式（Sentinel、1主2從3哨兵6台伺服器配置實戰、客戶端調用、日誌解析、主觀下線、客觀下線、仲裁、腦裂問題、哨兵長與從節點投票選舉過程與原理）
    哨兵模式 官方文檔：https://redis.io/docs/latest/operate/oss_and_stack/management/sentinel 關聯博客：Redis主從複製（下文能用到） 極簡概括：自動監控Redis主節點是否故障的一種方案，若主節點故障，則Redis會根據投票數自 ...
  • Redis基礎知識（學習筆記7--關鍵參數配置說明）
    Primer Premier是一款專業級PCR引物設計工具軟體，專為科研及分子生物學實驗定製PCR擴增、測序探針及雜交引物。該程式運用尖端演演算法評估引物的特異性、二聚體可能性和熔解溫度等核心屬性，確保產出的引物在性能上精準高效。其用戶友好界面不僅簡化了引物設計流程，並整合了序列比對與限制性內切酶位點 ...
  • MySQL bit類型增加索引後查詢結果不正確案例淺析
    昨天同事遇到的一個案例，這裡簡單描述一下：一個表裡面有一個bit類型的欄位，同事在優化相關SQL的過程中，給這個表的bit類型的欄位新增了一個索引，然後測試驗證 時，居然發現SQL語句執行結果跟不加索引不一樣。加了索引後，SQL語句沒有查詢出一條記錄，刪除索引後，SQL語句就能查詢出幾十條記錄。下麵 ...
  • 海豚調度調優 | 正在運行的工作流(DAG)如何重新拉起失敗的任務(Task)
    本系列文章是DolphinScheduler由淺入深的教程，涵蓋搭建、二開迭代、核心原理解讀、運維和管理等一系列內容。適用於想對 DolphinScheduler瞭解或想要加深理解的讀者。 **祝開卷有益。 ** 本系列教程基於 DolphinScheduler 2.0.5 做的優化。（穩定版 ...
  • 金倉資料庫全攻略：簡化部署，優化管理的全流程指南
    通過本篇文章的學習和實踐，我們深入瞭解瞭如何利用Docker技術快速部署KingbaseES資料庫。從下載鏡像到編寫Docker Compose模板，再到容器的啟動和管理，每一步都體現了現代化部署方式的便捷和高效。此外，我們還掌握了KSQL命令行工具的使用，這將極大地提升開發人員與資料庫交互的效率。 ...
  • [翻譯]-Detect And Repair Corruption in an Oracle Database
    本文是對這篇文章Detect And Repair Corruption in an Oracle Database[1]的翻譯，翻譯如有不當的地方，敬請諒解，請尊重原創和翻譯勞動成果，轉載的時候請註明出處。謝謝！ Oracle資料庫提供了多種方法檢測和修複數據文件中的壞塊。主要有下麵一些方法： R ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發（一）：使用.NET MAUI開發第一個安卓APP
    移動開發（一）：使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說，近來想嘗試開發一款安卓APP，考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP，畢竟是使用Visual Studio開發工具，使用起來也比較的順手，結合微軟官方的教程進行了安卓 ...
  • wpf ToggleButton選中效果和一個登錄界面
    前言 QuestPDF 是一個開源 .NET 庫，用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫，它徹底改變了我們生成 PDF 文檔的方 ...
  • 彈幕樹洞項目功能新增篇
    項目地址 項目後端地址： https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址： ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址： http://tree ...
  • 第27篇 sqlserver2022詳細安裝步驟
    話不多說，直接開乾 一.下載 1.官方鏈接下載： https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe，運行開始下載SQL server； 二. ...
  • .NET 開源高性能 MQTT 類庫
    前言 隨著物聯網（IoT）技術的迅猛發展，MQTT（消息隊列遙測傳輸）協議憑藉其輕量級和高效性，已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫，為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog文檔翻譯系列（六） - 可用的接收器、增強器、格式化輸出
    Serilog支持多種接收器用於日誌存儲，增強器用於添加屬性，LogContext管理動態屬性，支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項，適用於不同需求。 ...
  • 警惕 Visual Studio 屬性求值副作用導致邏輯不符合預期
    目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據，爬取信息時需要模擬瀏覽器行為，否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下： 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • [使用目前最新版]HybridCLR6.9.0+YooAsset2.2.4實現純C# Unity熱更新方案 (一)
    1.前言 什麼是熱更新 游戲或者軟體更新時，無需重新下載客戶端進行安裝，而是在應用程式啟動的情況下，在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR，Xlua，ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles，Addressable， ...
  • 在 ASP.NET Core Web API 中使用操作篩選器統一處理通用操作
    本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺，其實像阿裡雲，騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後，它會送 ...
  • 第28篇 如何.net中實現高效可靠數據同步api
    通過以下方式可以高效，並保證數據同步的可靠性 1.API設計 使用RESTful設計，確保API端點明確，並使用適當的HTTP方法（如POST用於創建，PUT用於更新）。 設計清晰的請求和響應模型，以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證，確保接收到的數據符合預期格 ...
所有分類