是否有直接的方法来解决以下错误或整体更好的方法来使用Hive来获得我需要的连接?输出到存储表不是必需的,因为我可以满足于INSERT OVERWRITE LOCAL DIRECTORY
到csv。
我正在尝试执行以下交叉连接。 ipint是一个9GB的表,geoiplite是270MB。
CREATE TABLE iplatlong_sample AS
SELECT ipintegers.networkinteger, geoiplite.latitude, geoiplite.longitude
FROM geoiplite
CROSS JOIN ipintegers
WHERE ipintegers.networkinteger >= geoiplite.network_start_integer AND ipintegers.networkinteger <= geoiplite.network_last_integer;
我在ipintegers上使用CROSS JOIN而不是geoiplite,因为我已经读过规则是让小桌子在左边,在右边更大。
根据HIVE,地图和减少阶段完成100%,但随后
2015-08-01 04:45:36,947 Stage-1 map = 100%,reduce = 100%,累积 CPU 8767.09秒
MapReduce累计CPU总时间:0天2小时26 分7秒90毫秒
结束工作= job_201508010407_0001
第8阶段由条件解析器选择。
执行日志:/tmp/myuser/.log
2015-08-01 04:45:38开始启动本地任务来处理地图 加入;最大记忆= 12221153280
执行失败并退出状态:3
获取错误信息
任务失败!
任务ID:Stage-8
日志:
/tmp/myuser/hive.log
失败:执行错误,返回代码3 org.apache.hadoop.hive.ql.exec.mr.MapredLocalTask
MapReduce Jobs 推出:工作0:地图:38减少:1累计CPU:8767.09秒
HDFS阅读:9438495086 HDFS写:8575548486成功
我的hive配置:
SET hive.mapred.local.mem=40960;
SET hive.exec.parallel=true;
SET hive.exec.compress.output=true;
SET hive.exec.compress.intermediate = true;
SET hive.optimize.skewjoin = true;
SET mapred.compress.map.output=true;
SET hive.stats.autogather=false;
我在 true 和 false 之间有SET hive.auto.convert.join
个变化,但结果相同。
以下是来自/tmp/myuser/hive.log
的输出日志中的错误$ tail -12 -f tmp/mysyer/hive.log
2015-08-01 07:30:46,086 ERROR exec.Task (SessionState.java:printError(419)) - Execution failed with exit status: 3
2015-08-01 07:30:46,086 ERROR exec.Task (SessionState.java:printError(419)) - Obtaining error information
2015-08-01 07:30:46,087 ERROR exec.Task (SessionState.java:printError(419)) -
Task failed!
Task ID:
Stage-8
Logs:
2015-08-01 07:30:46,087 ERROR exec.Task (SessionState.java:printError(419)) - /tmp/myuser/hive.log
2015-08-01 07:30:46,087 ERROR mr.MapredLocalTask (MapredLocalTask.java:execute(268)) - Execution failed with exit status: 3
2015-08-01 07:30:46,094 ERROR ql.Driver (SessionState.java:printError(419)) - FAILED: Execution Error, return code 3 from org.apache.hadoop.hive.ql.exec.mr.MapredLocalTask
我在Master上运行hive客户端,类型为n1-highmem-8型(8 CPU,52GB)的Google Cloud Platform实例,工作人员为n1-highmem-4(4CPU 26GB),但我怀疑在MAP之后并减少本地加入(如暗示)在主人身上发生。无论如何,在bdutils中我为工作节点(n1-highmem-4
)配置了JAVAOPTS:n1-highmem-4
解决方案编辑:解决方案是将范围数据组织到范围树中。
答案 0 :(得分:1)
我不认为有可能执行这种交叉连接蛮力 - 只是乘以行数,它有点失控。你需要一些优化,我认为蜂巢还没有。
但是这个问题实际上可以在O(N1 + N2)时间内解决,只要您对数据进行排序(哪个配置单元可以为您做) - 您只需同时浏览两个列表,每一步获取一个ip整数,看看是否有任何间隔从这个整数开始,添加它们,删除那些结束,发出匹配的元组,等等。伪代码:
intervals=[]
ipintegers = iterator(ipintegers_sorted_file)
intervals = iterator(intervals_sorted_on_start_file)
for x in ipintegers:
intervals = [i for i in intervals if i.end >= x]
while(intervals.current.start<=x):
intervals.append(intervals.current)
intervals.next()
for i in intervals:
output_match(i, x)
现在,如果你有一个外部脚本/ UDF函数知道如何读取较小的表并获取ip整数作为输入并将匹配元组作为输出吐出,则可以使用hive和SELECT TRANSFORM
将输入流式传输到它
或者您可以在具有两个输入文件的本地计算机上运行此算法,因为这只是O(N),甚至9 gb的数据也非常可行。