performance - Ejecute la consulta Hive con los parámetros de la cláusula IN en paralelo

hadoop hiveql

Question

Tengo una consulta de Hive como la siguiente:

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>)

He establecido hive.exec.parallel como true que me está ayudando a lograr el paralelismo entre las dos consultas entre union all.

Pero, mi cláusula IN tiene muchos valores separados por comas y cada valor se toma una vez en 1 trabajo y luego el siguiente valor. Esto en realidad se está ejecutando secuencialmente.

¿Hay algún parámetro de colmena que, si está habilitado, puede ayudarme a buscar datos en paralelo para los parámetros en la cláusula IN ?

Actualmente, la solución que tengo es activar la consulta de selección con = varias veces en lugar de una cláusula IN .

Answer 1

No es necesario leer los mismos datos muchas veces en consultas separadas para lograr un mejor paralelismo. Sintonice el paralelismo apropiado del mapeador y el reductor para el mismo.

En primer lugar, habilite PPD con vectorización, use CBO y 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; 

Configuraciones de ejemplo para Mappers en Tez:

set hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;
set tez.grouping.max-size=32000000;
set tez.grouping.min-size=32000;

Configuraciones de ejemplo para Mappers si decide ejecutar MR en lugar de Tez:

set mapreduce.input.fileinputformat.split.minsize=32000; 
set mapreduce.input.fileinputformat.split.maxsize=32000000; 

- configuraciones de ejemplo para reductores:

set hive.exec.reducers.bytes.per.reducer=32000000; --decrease this to increase the number of reducers, increase to reduce parallelism

Juega con esta configuración. Los criterios de éxito son más mapeadores / reductores y su mapa y las etapas de reducción se ejecutan más rápido.

Lea este artículo para comprender mejor cómo ajustar Tez: https://community.hortonworks.com/articles/14309/demystify-tez-tuning-step-by-step.html