Hive 令人头痛的multi-distinct

简介:

线上一个查询简化如下:

Selectdt,count(distinct c1) , count(distinct case when c2>0 and c1=0 then c1 end),count(distinct case when c2>0 and c1>0 then c1 end) from t where dtbetween ‘20131108’ and ‘20131110’ group by dt;

一个让人头痛的multi-distinct问题,为什么说很头痛,看看执行计划就清楚了:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
ABSTRACTSYNTAX TREE:
   (TOK_QUERY (TOK_FROM (TOK_TABREF (TOK_TABNAMEt))) (TOK_INSERT (TOK_DESTINATION (TOK_DIR TOK_TMP_FILE)) (TOK_SELECT(TOK_SELEXPR (TOK_TABLE_OR_COL dt)) (TOK_SELEXPR (TOK_FUNCTIONDI count(TOK_TABLE_OR_COL c1))) (TOK_SELEXPR (TOK_FUNCTIONDI count (TOK_FUNCTION when(and (> (TOK_TABLE_OR_COL c2)  0 ) (= (TOK_TABLE_OR_COL c1)  0 ))(TOK_TABLE_OR_COL c1)))) (TOK_SELEXPR (TOK_FUNCTIONDI count (TOK_FUNCTION when(and (> (TOK_TABLE_OR_COL c2)  0 ) (> (TOK_TABLE_OR_COL c1)  0 ))(TOK_TABLE_OR_COL c1))))) (TOK_WHERE (TOK_FUNCTION between KW_FALSE(TOK_TABLE_OR_COL dt)  '20131108'  '20131110' )) (TOK_GROUPBY (TOK_TABLE_OR_COLdt))))
STAGEDEPENDENCIES:
   Stage- 1  is a root stage
   Stage- 0  is a root stage
STAGEPLANS:
   Stage: Stage- 1
     Map Reduce
       Alias -> Map Operator Tree:
         t
           TableScan
             alias: t
             Filter Operator
               predicate:
                   expr: dt BETWEEN  '20131108' AND  '20131110'
                   type: Boolean
             //通过select operator做投影
               Select Operator
                 expressions:
                       expr: dt
                       type: string
                       expr: c1
                       type:  int
                       expr: c2
                       type:  int
                 outputColumnNames: dt, c1, c2
             //在MAP端进行简单的聚合,雷区1:假设有N个distinct,MAP处理数据有M条,那么这部处理后的输出是N*M条数据,因为MAP会对dt,keys[i]做聚合操作,所以尽量在MAP端过滤尽可能多的数据
                 Group By Operator
                   aggregations:
                         expr: count(DISTINCTc1)
                         expr: count(DISTINCTCASE WHEN (((c2 >  0 ) and (c1 =  0 ))) THEN (c1) END)
                         expr: count(DISTINCTCASE WHEN (((c2 >  0 ) and (c1 >  0 ))) THEN (c1) END)
                   bucketGroup:  false
                   keys:
                         expr: dt
                         type: string
                         expr: c1
                         type:  int
                         expr: CASE WHEN (((c2>  0 ) and (c1 =  0 ))) THEN (c1) END
                         type:  int
                         expr: CASE WHEN (((c2>  0 ) and (c1 >  0 ))) THEN (c1) END
                         type:  int
                   mode: hash
                   outputColumnNames: _col0,_col1, _col2, _col3, _col4, _col5, _col6
                 //雷区2:在做Reduce Sink时是根据partition cplumns进行HASH的方式,那么对于按date分区的表来说一天的所有数据被放大N倍传输到Reducer进行运算,导致性能长尾或者OOME.
                   Reduce Output Operator
                     key expressions:
                           expr: _col0
                           type: string
                           expr: _col1
                           type:  int
                           expr: _col2
                           type:  int
                           expr: _col3
                           type:  int
                     sort order: ++++
                     Map-reduce partitioncolumns:
                           expr: _col0
                           type: string
                     tag: - 1
                     value expressions:
                           expr: _col4
                           type: bigint
                           expr: _col5
                           type: bigint
                           expr: _col6
                           type: bigint
       Reduce Operator Tree:
         Group By Operator
           aggregations:
                 expr: count(DISTINCTKEY._col1: 0 ._col0)
                 expr: count(DISTINCTKEY._col1: 1 ._col0)
                 expr: count(DISTINCTKEY._col1: 2 ._col0)
           bucketGroup:  false
           keys:
                 expr: KEY._col0
                 type: string
           mode: mergepartial
           outputColumnNames: _col0, _col1,_col2, _col3
           Select Operator
             expressions:
                   expr: _col0
                   type: string
                   expr: _col1
                   type: bigint
                   expr: _col2
                   type: bigint
                   expr: _col3
                   type: bigint
             outputColumnNames: _col0, _col1,_col2, _col3
             File Output Operator
               compressed:  true
               GlobalTableId:  0
               table:
                   input format:org.apache.hadoop.mapred.TextInputFormat
                   output format:org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat
   Stage: Stage- 0
     Fetch Operator
       limit: - 1

虽说Hive里有参数:hive.groupby.skewindata(具体见:http://boylook.blog.51cto.com/7934327/1316432)不过当设置该参数时只支持single-distincthttps://issues.apache.org/jira/browse/HIVE-2416)因此在这种场景下是没办法设置的.但是这个参数还是有一定启发的就是把SQL化归到这种single-distinct:通过union all(注意不能直接Union All而是需要嵌套进子查询,否则会报异常:Toplevel UNION is not supported currently; use a subquery for the UNION).

查看执行计划(省去非关键部分):

1
2
3
4
5
6
STAGE DEPENDENCIES:
   Stage- 1  is a root stage
   Stage- 2  depends on stages:Stage- 1 , Stage- 3 , Stage- 4
   Stage- 3  is a root stage
   Stage- 4  is a root stage
   Stage- 0  is a root stage

可以看到每个single-distinct都是独立的stage,因此可以设置上面的参数,这里既然每个stage是独立的那么是不是可以设置hive.exec.parallelhive.exec.parallel.thread.number这两个参数来以资源换时间呢?故事总是残忍的,这里还有一个Bug(https://issues.apache.org/jira/browse/HIVE-4436), 因此在Hive0.12 release前是没办法的,这就叫有钱没地方花.


另外也有通过unionall+sum的解决方法,感兴趣的同学也可以尝试一下.

如果不做100%精确计算的话可以通过bucket sample的方式可以更快的解决:)


本文转自MIKE老毕 51CTO博客,原文链接:http://blog.51cto.com/boylook/1322536,如需转载请自行联系原作者


相关文章
|
SQL 存储 分布式计算
【Hive】(二十三)简单几招教你如何解决 Hive 中小文件过多的问题
【Hive】(二十三)简单几招教你如何解决 Hive 中小文件过多的问题
1623 0
|
4天前
|
存储 并行计算 算法
没错,列式存储非常牛。但是,Ta还可以更高效
没错,列式存储非常牛。但是,Ta还可以更高效
|
7月前
|
SQL 存储 Java
浅析 hive udaf 的正确编写方式- 论姿势的重要性
浅析 hive udaf 的正确编写方式- 论姿势的重要性
|
SQL 移动开发 并行计算
不需要编写代码,也能成为Hive SQL面试高手?ChatGPT告诉你...
当你面对 Hive SQL 面试时,不仅需要掌握 SQL 语言的基本知识,还需要熟练掌握 Hive SQL 的一些高级特性,比如窗口函数、分区等等。对于初学者而言,写出高效的 Hive SQL 代码往往是一件困难的事情,而这恰恰是面试官最为看重的。但是,你不必担心!现在,有一种神奇的工具——ChatGPT,可以帮助你快速生成 Hive SQL 代码,解决你在面试中遇到的各种难题。本文将会介绍如何使用 ChatGPT 生成 Hive SQL 代码,让你在面试中轻松成为 Hive SQL 面试高手,无需编写代码也能毫不费力地完成面试题。 让我们一起来看看吧!
|
SQL Oracle 关系型数据库
【SQL开发实战技巧】系列(五):从执行计划看IN、EXISTS 和 INNER JOIN效率,我们要分场景不要死记网上结论
从执行计划角度分析IN、EXISTS 和 INNER JOIN效率而不是死记网上结论、表的5种关联:INNER JOIN、LEFT JOIN、RIGHT JOIN 和 FULL JOIN 解析【SQL开发实战技巧】这一系列博主当作复习旧知识来进行写作,毕竟SQL开发在数据分析场景非常重要且基础,面试也会经常问SQL开发和调优经验,相信当我写完这一系列文章,也能再有所收获,未来面对SQL面试也能游刃有余~。
【SQL开发实战技巧】系列(五):从执行计划看IN、EXISTS 和 INNER JOIN效率,我们要分场景不要死记网上结论
|
关系型数据库 MySQL 数据库
【MySQL作业】SELECT 数据查询——美和易思select 选择列表应用习题
【MySQL作业】SELECT 数据查询——美和易思select 选择列表应用习题
104 0
【MySQL作业】SELECT 数据查询——美和易思select 选择列表应用习题
|
关系型数据库 MySQL 数据库
【MySQL作业】avg 和 count 函数——美和易思聚合函数应用习题
【MySQL作业】avg 和 count 函数——美和易思聚合函数应用习题
125 0
【MySQL作业】avg 和 count 函数——美和易思聚合函数应用习题