背景
同事写了这样一段HQL(涉及公司数据,表名由假名替换,语句与真实场景略有不同,但不影响分析):
CREATETABLEtmpASSELECTt1.exk,t1.exv,M.makenameASm_makename,S.makenameASs_makename,FROM(SELECTexk,exvFROMxx.xxx_logWHEREetl_dt='-01-12'ANDexkIN('xxID','yyID'))t1LEFTJOINxx.xxx_model_infoMON(M.modelid=t1.exvANDt1.exk='xxID')LEFTJOINxx.xxx_style_infoSON(S.styleid=t1.exvANDt1.exk='yyID')
任务运行过程中非常缓慢,同事反映说这个任务要跑一个多小时。初步问了下,xx.xxx_log表数据量在分区etl_dt = '-01-12'上大概1亿3000万,xx.xxx_model_info大概3000多,xx.xxx_style_info大概4万多。
分析
第一步,分析HQL语句着手
从同事提供的数据量上看,两个left join显然应该是mapjoin,因为数据量差距悬殊。当前只有HQL语句,所以优化第一步当然要从HQL语句本身出发,看HQL语句是否有不恰当的地方。
从语句上看,就是取三张表的数据,按条件进行join,最后创建并插入一张hive表。语句上看没什么问题。
那就来看执行计划吧~ 我们只看建表后面的SELECT语句,如下
STAGEDEPENDENCIES:Stage-5isarootstageStage-4dependsonstages:Stage-5Stage-0dependsonstages:Stage-4STAGEPLANS:Stage:Stage-5MapReduceLocalWorkAlias->MapLocalTables:mFetchOperatorlimit:-1sFetchOperatorlimit:-1Alias->MapLocalOperatorTree:mTableScanalias:mStatistics:Numrows:3118Datasize:71714Basicstats:COMPLETEColumnstats:NONEHashTableSinkOperatorfilterpredicates:0{(_col0='xxID')}{(_col0='yyID')}12keys:0UDFToDouble(_col1)(type:double)1UDFToDouble(modelid)(type:double)2UDFToDouble(styleid)(type:double)sTableScanalias:sStatistics:Numrows:44482Datasize:1023086Basicstats:COMPLETEColumnstats:NONEHashTableSinkOperatorfilterpredicates:0{(_col0='xxID')}{(_col0='yyID')}12keys:0UDFToDouble(_col1)(type:double)1UDFToDouble(modelid)(type:double)2UDFToDouble(styleid)(type:double)Stage:Stage-4MapReduceMapOperatorTree:TableScanalias:xx.xxx_logStatistics:Numrows:136199308Datasize:3268783392Basicstats:COMPLETEColumnstats:NONEFilterOperatorpredicate:((exk)IN('xxID','yyID'))(type:boolean)Statistics:Numrows:22699884Datasize:544797216Basicstats:COMPLETEColumnstats:NONESelectOperatorexpressions:exk(type:string),exv(type:string)outputColumnNames:_col0,_col1Statistics:Numrows:22699884Datasize:544797216Basicstats:COMPLETEColumnstats:NONEMapJoinOperatorconditionmap:LeftOuterJoin0to1LeftOuterJoin0to2filterpredicates:0{(_col0='SerialID')}{(_col0='CarID')}12keys:0UDFToDouble(_col1)(type:double)1UDFToDouble(modelid)(type:double)2UDFToDouble(styleid)(type:double)outputColumnNames:_col0,_col1,_col13,_col32Statistics:Numrows:49939745Datasize:1198553901Basicstats:COMPLETEColumnstats:NONESelectOperatorexpressions:_col0(type:string),_col1(type:string),_col13(type:string),_col32(type:string)outputColumnNames:_col0,_col1,_col2,_col3Statistics:Numrows:49939745Datasize:1198553901Basicstats:COMPLETEColumnstats:NONEFileOutputOperatorcompressed:falseStatistics:Numrows:49939745Datasize:1198553901Basicstats:COMPLETEColumnstats:NONEtable:inputformat:org.apache.hadoop.mapred.TextInputFormatoutputformat:org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormatserde:org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDeLocalWork:MapReduceLocalWorkStage:Stage-0FetchOperatorlimit:-1ProcessorTree:ListSink
执行计划上分为三个stage,第一个处理两张小表的,把小表内容处理成HashTable来做mapjoin,这个跟我们上面的分析一致。第二个用于处理大表和小表的mapjoin,最后一个则是关联后的数据输出。
从执行计划上看,似乎也没什么问题,一切很正常~~
既然从SQL本身找不到问题,那说明有可能出现在数据上或机器上,就只能具体问题具体看了。
第二步,查建表语句,看表的压缩格式是不是不支持分割导致部分map任务处理时间过长
Hive支持多种压缩格式,有的压缩格式支持split,而有的并不支持,比如LZO。当不支持split的时候,数据块有多大,Hive的map任务就得处理多大,而Hive表的分区数据有可能存在不均衡的现象,就会导致有的map快,有的map慢。当遇到LZO格式的时候,最好的方式是建立索引,可以加快处理速度。
用show create table从建表语句里看,并没有使用LZO的表。而在hdfs上直接查看三张表的文件大小,最大的那张表加上条件后还有24个分区,每个分区的大小不一样。但是由于任务有40个map,由此可知有些分区的数据是拆成了几个map任务的,所以再一次证明是可切分的,排除不可切分导致的map任务问题。
第三步,分析任务运行状况
找到运行完的任务,查看运行界面图可以看到,map任务的时间长短不一,最短的1分钟之内,最长的达半个多小时。
乍一看,好像是数据倾斜导致的,要确定是否数据倾斜,我们需要随机挑几个时间长的map任务,和时间短的map任务,看看各自的数据量和数据大小。
对比发现,数据量基本都在100万到130之间,而数据大小也在100多MB左右(不能只看数据量,数据大小也很重要,防止空列这种数据倾斜情况)。
这样一来,map端的数据倾斜其实是不存在的,所以map任务应该基本上是均衡的。那为什么时间上会相差这么大呢?
进而猜测,是不是因为某些慢的任务刚好被挤在某台或某几台机器上,而刚好这几台机器负载重,所以比较慢?
到这里,我们统计下慢的几个map任务都在什么机器上,统计完发现,果然最慢的十几个任务集中分布在两台机器上,一台机器大概六七个的样子。按7个任务算,每个任务读100多MB的文件,怎么说都在几分钟之内可以搞定吧,所以好像真的跟机器负载有关系~
所以机器这里我们也必须去看一看,看看是不是负载导致的。重新跑一下上面的任务,找到map慢的几台机器,做如下查看:
分别从CPU、内存、磁盘IO和网络IO来看,这是服务器状况查看的基本入口:
top 命令可以辅助我们查看CPU的状况,结果发现CPU平均负载不过50%iostat -x 5 命令可以辅助我们查看磁盘IO情况,我们发现请求数比较高但是平均等待队列并不高,磁盘读写都跟得上,所以磁盘也不是问题sar -n DEV 5 命令可以辅助我们查看网络IO的情况,服务器至少是千兆网卡,支持至少1Gb/s的速度,而从输出来看,网络远远不是问题
由此,我们排除了机器负载过高导致无法服务的问题,同时问了下同事,说是这个任务跑了好多次都这样,好多次都这样说明机器应该不是问题,因为机器随机分,不可能每次都分到慢的机器上。所以说每次都map慢跟机器无关,而是我们SQL的问题。
第四步,再触SQL,分段分析
上面的分析已经确认跟机器无关,与数据不可分割也无关,而执行计划上看也没什么问题。那么只好一段一段的来看SQL了。
1、两张小表是要分发到各节点的,所以不考虑,我们按条件读一次大表的数据,统计下行数
SELECTCOUNT(1)FROMxx.xxx_logWHEREetl_dt='-01-12'ANDexkIN('xxID','yyID')
结果发现时间只花了2分钟左右,说明SQL不慢在这里。只能慢在join两张小表上了,而小表join是mapjoin,理论上应该不慢才对。
2、考虑只join一张表来看 先选表xx.xxx_model_info
SELECTCOUNT(1)from(SELECTt1.exk,t1.exv,M.makenameASm_makenameFROM(SELECTexk,exvFROMxx.xxx_logWHEREetl_dt='-01-12'ANDexkIN('xxID','yyID'))t1LEFTJOINxx.xxx_model_infoMON(M.modelid=t1.exvANDt1.exk='xxID'))tmp
上面是跟3118的一张小表join,可以看到执行计划是mapjoin,而执行时间则出乎意料,用了大概2分钟,与单独计算大表行数差不多。
由此可以想到,mapjoin很慢应该与另一张表有关系,我们下面再执行跟另一张表join的情况,如果还是这么快,那说明两个同时mapjoin在Hive上可能存在缺陷,而如果很慢,则说明mapjoin只跟那张小表有关系。
再选表xx.xxx_style_info
SELECTCOUNT(1)from(SELECTt1.exk,t1.exv,S.makenameASs_makenameFROM(SELECTexk,exvFROMxx.xxx_logWHEREetl_dt='-01-12'ANDexkIN('xxID','yyID'))t1LEFTJOINxx.xxx_style_infoSON(S.styleid=t1.exvANDt1.exk='yyID'))tmp
这下执行结果奇慢无比,map阶段进展很缓慢。由此说明大表与这张小表的mapjoin存在问题,可是mapjoin为啥还存在问题呢? 问题又在哪呢?
第五步,仍不放弃执行计划
当看到上面问题的时候,一头雾水,所以着重再看执行计划是一个不错的方案。很容易想到,同是两个数据量相差不大的小表,mapjoin的运行速度为什么会不一样?是字段类型导致join连接出问题?
当我们仔细再去看最上面的执行计划的时候,我们会发现我们之前忽视的一个细节,那就是执行计划里有UDFToDouble这个转换,很奇怪我们并没有调用这样的UDF啊,怎么会有这样的转换呢? 唯一的解释只能是join字段匹配。
我们查一下join字段发现,大表的exv字段是string类型,两个小表的关联字段都是int型,它们在join的时候,居然都先转成了double型??? 这是什么鬼? 难道不应该都往string类型转换,然后再join吗?
查下Hive官网才发现,类型关系是酱紫的...
double类型是string类型和int类型的公共类型,所以它们都会往公共类型上转!
实际写SQL中,也强烈建议自己做类型匹配的处理,不要拜托给解析器,不然问题很严重。
我们把小表的int类型转换为string类型再做上面第二张表的join,如下:
SELECTCOUNT(1)from(SELECTt1.exk,t1.exv,S.makenameASs_makenameFROM(SELECTexk,exvFROMxx.xxx_logWHEREetl_dt='-01-12'ANDexkIN('xxID','yyID'))t1LEFTJOINxx.xx_style_infoSON(cast(S.styleidasstring)=t1.exvANDt1.exk='yyID'))tmp
结果符合预料,2分钟左右的时间可以完成这个SQL任务。而当整个任务也这么改之后,任务跑完也只要几分钟!
由此可见,事情都因细节而起!做join操作的时候,写SQL的人其实是最清楚字段类型的,做上字段类型匹配小菜一碟,可以避免很多问题!!!
第六步,解开谜团
到这里,我们这个Hive任务的问题已经找到,那就是join两边key的数据类型不对,导致两边的数据类型都要向上做提升才能关联。
但其实还是有问题的,上面第四步的实验提到,当用大表与3118条数据的小表xx.xxx_model_info进行关联的时候,很快可以出结果。但是当用大表与另一张小表xx.xxx_style_info进行关联时,却发现奇慢无比,也即问题跟它有很大关系。大表无论与哪张小表关联,都要做类型提升,两张小表的数据量相比大表而言,其实相差不大,但为啥数据量稍大的小表关联就出问题呢?
我们单独对三张表做类型转换,转为double类型,结果发现三张表的类型转换都很快,并不存在因为数据不同导致转换速度不一样的情况,由此排除是类型提升时出的问题。因而问题最有可能出现在MapJoin身上!
在MapJoin阶段,会把小表的内容加载到内存中,使用容器HashMap做存储,然后对大表的关联列进行扫描,每扫描一行都会去查看HashMap中有没有对应的关联列。这样做起来其实是很快的,同时在Map端也减少了大量数据输出到Reduce端。
HashMap不允许key有重复,在Hive里,如果key有重复怎么办呢?显然是不能把重复数据直接覆盖的,因为key重复不代表value里的其他列也是重复的。这时Hive会把小表的存储由HashMap降级为LinkedList,而HashMap里key是否重复由key对应类型的hashcode和equals方法决定。
在MapJoin阶段,double类型使用的是DoubleWriteable,它的hashcode实现是一个错误的实现,如下:
return(int)Double.doubleToLongBits(value);
long转为int会产生溢出,因此不同的value很可能得到相同的hashcode,hashcode碰撞非常明显。
这个问题早在 Hadoop-12217 里被提到,因为他们在使用Hive的时候碰到了和我相同的问题,就是类型提升为double时出现MapJoin异常缓慢的情况。其描述如下:
其patch里提到正确的更改方式如下:
longdblBits=Double.doubleToLongBits(value);return(int)(dblBits^(dblBits>>>32));
不过这个bug目前并未修复(当前版本:Hadoop 2.6.0-cdh5.5.1, Hive 1.1.0-cdh5.5.1),由于它导致我们数据量稍大的那张小表在MapJoin阶段由HashMap转为了LinkedList,因此数据扫描及其缓慢。而另一张3118条数据的小表,则刚好不存在hash code碰撞的问题,所以Map Join很快。
所以,最终的问题就在于此,所有的表象皆由它引起。最好的解决办法是在Join之前先做转换,让join时的键关联保持类型一致并不为double类型即可。这个需要在写HQL时时常注意,问题虽小,但是要找到它确实不容易,很是花时间。
本文作者:佚名
来源:51CTO