我有一个Hive查询,如下所示:
select a.x as column from table1 a where a.y in (<long comma-separated list of parameters>)
union all
select b.x as column from table2 b where b.y in (<long comma-separated list of parameters>)
我已将hive.exec.parallel
设置为true
,这有助于我在union all之间实现两个查询之间的并行性。
但是,我的IN
子句有许多逗号分隔值,每个值在1个作业中取一次,然后是下一个值。这实际上是按顺序执行的。
是否有任何hive参数,如果启用它可以帮助我为IN
子句中的参数并行获取数据?
目前,我所拥有的解决方案是多次使用=
而不是一个IN
子句触发选择查询。
答案 0 :(得分:1)
不需要在单独的查询中多次读取相同的数据以实现更好的并行性。调整适当的映射器和reducer并行性。
首先,使用矢量化启用PPD,使用CBO和Tez:
SET hive.optimize.ppd=true;
SET hive.optimize.ppd.storage=true;
SET hive.vectorized.execution.enabled=true;
SET hive.vectorized.execution.reduce.enabled = true;
SET hive.cbo.enable=true;
set hive.stats.autogather=true;
set hive.compute.query.using.stats=true;
set hive.stats.fetch.partition.stats=true;
set hive.execution.engine=tez;
SET hive.stats.fetch.column.stats=true;
SET hive.tez.auto.reducer.parallelism=true;
Tez上Mappers的示例设置:
set hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;
set tez.grouping.max-size=67108864;
set tez.grouping.min-size=32000000;
如果您决定在MR而不是Tez上运行Mappers的示例设置:
set mapreduce.input.fileinputformat.split.minsize=16777216; -- 16 MB
set mapreduce.input.fileinputformat.split.maxsize=1073741824; -- 1 GB
- reducer的示例设置:
set hive.exec.reducers.bytes.per.reducer=67108864; --decrease this to increase the number of reducers
使用这些设置进行播放。成功标准是更多的映射器/缩减器,并且您的map和reduce阶段运行得更快。
阅读本文,以便更好地了解如何调整Tez:https://community.hortonworks.com/articles/14309/demystify-tez-tuning-step-by-step.html