慎用api

　　我们知道大数据场景下不害怕数据量大，害怕的是数据倾斜，怎样避免数据倾斜，找到可能产生数据倾斜的函数尤为关键，数据量较大的情况下，慎用 count(distinct)，count(distinct) 容易产生倾斜问题。

设置合理的map reduce的task数量

map阶段优化

mapred.min.split.size: -- 指的是数据的最小分割单元大小；min的默认值是1B
mapred.max.split.size: -- 指的是数据的最大分割单元大小；max的默认值是256MB
通过调整max可以起到调整map数的作用，减小max可以增加map数，增大max可以减少map数。
需要提醒的是，直接调整mapred.map.tasks这个参数是没有效果的。

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书；
　　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；

　　注意：如果文件大于块大小（128M），那么会拆分，如果小于块大小，则把该文件当成一个块。
　　其实这就涉及到小文件的问题：如果一个任务有很多小文件（远远小于块大小128M），则每个小文件也会当做一个块，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，就会造成很大的资源浪费。而且，同时可执行的map数是受限的。那么，是不是保证每个map处理接近128M的文件块，就高枕无忧了？答案也是不一定。比如有一个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，如果map处理的逻辑比较复杂，用一个map任务去做，肯定也比较耗时。我们该如何去解决呢？

　　我们需要采取两种方式来控制map和reduce的数量：

1. 减少map数量
　　hive中默认的 hive.input.format 是 org.apache.hadoop.hive.ql.io.CombineHiveInputFormat，表示执行前进行小文件合并，对于 combineHiveInputFormat，它的输入的map数量由三个配置决定：

/** map输入合并小文件的相关参数：*/
-- 一个split最大的大小(这个值决定了合并后文件的数量)
mapred.max.split.size
-- 一个节点上split的至少的大小(这个值决定了多个DataNode上的文件是否需要合并)
mapred.min.split.size.per.node
-- 一个交换机下split至少的大小(这个值决定了多个交换机上的文件是否需要合并) 
mapred.min.split.size.per.rack

主要思路是把输入目录下的大文件分成多个map的输入, 并合并小文件, 做为一个map的输入. 具体的原理是下述三步：
　a. 根据输入目录下的每个文件，如果其长度超过 mapred.max.split.size，以 mapred.max.split.size 为单位分成多个split(一个split是一个map的输入), 此文件剩下的长度如果大于 mapred.min.split.size.per.node，则再切分生成一个split，否则先暂时保留；
　b. 现在剩下的都是一些长度效短的碎片，把每个rack下碎片合并, 只要长度超过 mapred.max.split.size 就合并成一个split，最后如果剩下的碎片比 mapred.min.split.size.per.rack 大，就合并成一个split,，否则暂时保留；
　c. 把不同rack下的碎片合并，只要长度超过 mapred.max.split.size 就合并成一个split，剩下的碎片无论长度，合并成一个split。

mapred.max.split.size=1000;
mapred.min.split.size.per.node=300;
mapred.min.split.size.per.rack=100;

举例：
　　输入目录下五个文件，
　　rack1下三个文件，长度为2050,1499,10，
　　rack2下两个文件，长度为1010,80，另外blockSize为500。
　　经过第一步，生成五个split: 1000,1000,1000,499,1000，剩下的碎片为rack1下:50,10；rack2下10:80
　　由于两个rack下的碎片和都不超过100，所以经过第二步，split和碎片都没有变化。
　　第三步，合并四个碎片成一个split，长度为150。

　　如果要减少map数量，可以调大 mapred.max.split.size，否则调小即可。
　　其特点是：一个块至多作为一个map的输入，一个文件可能有多个块，一个文件可能因为块多分给做为不同map的输入，一个map可能处理多个块，可能处理多个文件。

2. 增大map数量
　　如何适当的增加map数？
　　当input的文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数，来使得每个map处理的数据量减少，从而提高任务的执行效率。

　　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;

-- 如果 表a 只有一个文件，大小为120M，但包含几千万的记录，如果用1个map去完成这个任务，肯定是比较耗时的，
-- 这种情况下，我们要考虑将这一个文件合理的拆分成多个，这样就可以用多个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。
-- 每个map任务处理大于12M（几百万记录）的数据，效率肯定会好很多。

注意：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，这点正是重点需要关注的地方，使单个map任务处理合适的数据量；

reduce阶段优化

　　Reduce的个数对整个作业的运行性能有很大影响。如果Reduce设置的过大，那么将会产生很多小文件，对NameNode会产生一定的影响，而且整个作业的运行时间未必会减少；如果Reduce设置的过小，那么单个Reduce处理的数据将会加大，很可能会引起OOM异常。
　　如果设置了 mapred.reduce.tasks/mapreduce.job.reduces 参数，那么Hive会直接使用它的值作为Reduce的个数；如果 mapred.reduce.tasks/mapreduce.job.reduces 的值没有设置（也就是-1），那么Hive会根据输入文件的大小估算出Reduce的个数。根据输入文件估算Reduce的个数可能未必很准确，因为Reduce的输入是Map的输出，而Map的输出可能会比输入要小，所以最准确的数根据Map的输出估算Reduce的个数。

1. Hive自己如何确定reduce数：
　　reduce个数的设定极大影响任务执行效率，不指定reduce个数的情况下，Hive会猜测确定一个reduce个数，基于以下两个设定：
　　hive.exec.reducers.bytes.per.reducer（每个reduce任务处理的数据量，默认为1000^3=1G）
　　hive.exec.reducers.max（每个任务最大的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，如果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；

select pt, count(1) from tb where pt = ‘2012-07-04’ group by pt;
其中/data/path/pt=2012-07-04 总大小为9G多，
因此这句有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 tb where pt = ‘2012-07-04’ group by pt;
这次有20个reduce

3. 调整reduce个数方法二：
　　set mapred.reduce.tasks=15;

select pt,count(1) from tb where pt = ‘2012-07-04’ group by pt;
这次有15个reduce

4. reduce个数并不是越多越好：
　　同map一样，启动和初始化reduce也会消耗时间和资源；
　　另外，有多少个reduce，就会有个多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题；

5. 什么情况下只有一个reduce：
　　很多时候你会发现任务中不管数据量多大，不管你有没有调整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任务的情况，除了数据量小于 hive.exec.reducers.bytes.per.reducer 参数值的情况外，还有以下原因：
　　a. 没有group by的汇总，比如把 select pt,count(1) from tb where pt = ‘2012-07-04’ group by pt; 写成 select count(1) from tb where pt = ‘2012-07-04’; 这点非常常见，希望大家尽量改写。
　　b. 用了Order by
　　c. 有笛卡尔积。

　　注意：在设置reduce个数的时候也需要考虑这两个原则：使大数据量利用合适的reduce数；是单个reduce任务处理合适的数据量；

小文件合并优化

　　我们知道文件数目小，容易在文件存储端造成瓶颈，给HDFS带来压力，影响处理效率。对此，可以通过合并Map和Reduce的结果文件来消除这样的影响。
用于设置合并的参数有：

小文件是如何产生的：
　a. 动态分区插入数据，产生大量的小文件，从而导致map数量剧增；
　b. reduce数量越多，小文件也越多（reduce的个数和输出文件是对应的）；
　c. 数据源本身就包含大量的小文件。

小文件问题的影响：
　a. 从Hive的角度看，小文件会开很多map，一个map开一个JVM去执行，所以这些任务的初始化，启动，执行会浪费大量的资源，严重影响性能。
　b. 在HDFS中，每个小文件对象约占150byte，如果小文件过多会占用大量内存。这样NameNode内存容量严重制约了集群的扩展。

小文件问题的解决方案：
　1. 从小文件产生的途径就可以从源头上控制小文件数量，方法如下：
　　a. 使用Sequencefile作为表存储格式，不要用textfile，在一定程度上可以减少小文件；
　　b. 减少reduce的数量（可以使用参数进行控制）；
　　c. 少用动态分区，用时记得按distribute by分区；

　2. 对于已有的小文件，我们可以通过以下几种方案解决：
　　a. 使用hadoop archive命令把小文件进行归档；
　　b. 重建表，建表时减少reduce数量；
　　c. 通过参数进行调节，设置map/reduce端的相关参数，如下：

-- 每个Map最大输入大小(这个值决定了合并后文件的数量)
set mapred.max.split.size=256000000;
-- 一个节点上split的至少的大小(这个值决定了多个DataNode上的文件是否需要合并)
set mapred.min.split.size.per.node=100000000;
-- 一个交换机下split的至少的大小(这个值决定了多个交换机上的文件是否需要合并)
set mapred.min.split.size.per.rack=100000000;
-- 执行Map前进行小文件合并
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

-- 设置map输出和reduce输出进行合并的相关参数：
-- 是否合并Map输出文件：（默认值为true）
hive.merge.mapfiles=true
-- 是否合并Reduce端输出文件：（默认值为false）
hive.merge.mapredfiles=false
-- 合并操作后的单个文件大小：（默认值为256000000）
hive.merge.size.per.task=256*1000*1000
-- 当输出文件的平均大小小于该值时，启动一个独立的 map-reduce 任务进行文件 merge
-- 默认值为16M
-- 这一设定只有当hive.merge.mapfiles或hive.merge.mapredfiles设定为true时，才会对相应的操作有效
hive.merge.smallfiles.avgsize=16000000;


/** 常用参数 */
set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;
-- 所有MR节点上最大动态分区数
set hive.exec.max.dynamic.partitions.pernode=10000;
-- 每个MR节点上最大动态分区数
set hive.exec.max.dynamic.partitions.partitions=50000;
-- MR Job 过程中最大创建的HDFS文件数量(默认)
set hive.exec.max.created.files=100000;
-- JVM重用
set mapred.job.reuse.jvm.num.tasks=50;
-- 并行执行
set hive.exec.parallel=true;
set hive.exec.parallel.thread.number=16; -- 默认8
-- 开启数据传输中的压缩
set hive.exec.compress.intermediate=true;
-- 开启map端输出压缩
set hive.exec.compress.output=true;
-- 合并map端输出
set hive.merge.mapfiles=true;
-- 合并reduce端输出
set hive.merge.mapredfiles=true;

-- 这个是给join优化的 0.6官方版本好像有个bug悲哀啊
hive.optimize.skewjoin=true;
-- 这个是给groupby优化的
hive.groupby.skewindata=true;