[英]How much data is considered “too large” for a Hive MAPJOIN job?
编辑:添加了更多的文件大小详细信息,以及其他一些会话信息。
我有一个看似简单的Hive JOIN查询,令人惊讶地需要几个小时才能运行。
SELECT a.value1, a.value2, b.value
FROM a
JOIN b ON a.key = b.key
WHERE a.keyPart BETWEEN b.startKeyPart AND B.endKeyPart;
我试图确定执行时间对于我的数据集和AWS硬件选择而言是否正常,或者我是否只是试图加入太多数据。
来自A的记录始终与B中的一个或多个记录匹配,因此从逻辑上看,在使用WHERE子句修剪它们之前,最多会生成5000亿行。
为该作业分配了4个映射器,该映射器在6小时内完成。 这种查询和配置类型正常吗? 如果没有,我应该怎么做才能改善它?
我已经在JOIN键上对B进行了分区,它产生了5个分区,但是没有注意到显着的改进。
此外,日志还显示,Hive优化器启动了本地地图联接任务,大概是为了缓存或流式传输较小的表:
2016-02-07 02:14:13 Starting to launch local task to process map join; maximum memory = 932184064
2016-02-07 02:14:16 Dump the side-table for tag: 1 with group count: 5 into file: file:/mnt/var/lib/hive/tmp/local-hadoop/hive_2016-02-07_02-14-08_435_7052168836302267808-1/-local-10003/HashTable-Stage-4/MapJoin-mapfile01--.hashtable
2016-02-07 02:14:17 Uploaded 1 File to: file:/mnt/var/lib/hive/tmp/local-hadoop/hive_2016-02-07_02-14-08_435_7052168836302267808-1/-local-10003/HashTable-Stage-4/MapJoin-mapfile01--.hashtable (12059634 bytes)
2016-02-07 02:14:17 End of local task; Time Taken: 3.71 sec.
是什么导致这项工作进展缓慢? 数据集看起来不会太大,并且“小表”大小恰好在“小表”限制(25MB)以下,该限制触发了MAPJOIN优化的禁用。
将EXPLAIN输出的转储复制到PasteBin上以供参考。
我的会话启用输出和中间存储的压缩。 这可能是罪魁祸首吗?
SET hive.exec.compress.output=true;
SET hive.exec.compress.intermediate=true;
SET mapred.output.compress=true;
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;
SET io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec;
SET io.seqfile.compression.type=BLOCK;
我对这个问题的解决方案是完全在JOIN ON子句中表达JOIN谓词,因为这是在Hive中执行JOIN的最有效方法。 至于为什么原始查询很慢,我相信映射器在逐行扫描中间数据集时需要100+十亿次的时间。
由于Hive仅在JOIN ON子句中支持相等表达式,并且拒绝使用两个表别名作为参数的函数调用,因此无法将原始查询的BETWEEN子句重写为代数表达式。 例如,以下表达式是非法的。
-- Only handles exclusive BETWEEN
JOIN b ON a.key = b.key
AND sign(a.keyPart - b.startKeyPart) = 1.0 -- keyPart > startKeyPart
AND sign(a.keyPart - b.endKeyPart) = -1.0 -- keyPart < endKeyPart
最终,我修改了源数据,以将Hive ARRAY<BIGINT>
数据类型中的startKeyPart
和endKeyPart
之间的每个值都包括在内。
CREATE TABLE LookupTable
key BIGINT,
startKeyPart BIGINT,
endKeyPart BIGINT,
keyParts ARRAY<BIGINT>;
或者,我可以使用自定义Java方法在查询中内联生成此值; LongStream.rangeClosed()方法仅在Java 8中可用,而Java 8不属于AWS emr-4.3.0中的Hive 1.0.0。
现在,我已经在数组中拥有了整个键空间,我可以使用LATERAL VIEW和explode()将数组转换为表,如下所示重写JOIN。
WITH b AS
(
SELECT key, keyPart, value
FROM LookupTable
LATERAL VIEW explode(keyParts) keyPartsTable AS keyPart
)
SELECT a.value1, a.value2, b.value
FROM a
JOIN b ON a.key = b.key AND a.keyPart = b.keyPart;
最终结果是,与相同硬件配置上的原始6小时相比,上述查询大约需要3分钟才能完成。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.