1

我们有一个在大约 5 TB 大小的表/视图上运行的简单查询。我们正在执行 ETL，最后通过添加分区将数据添加到核心表中。

但是由于我们正在处理的数据非常庞大，因此查询会产生 4000 多个映射器和 1000 多个减速器。查询也运行了 40 多分钟。

如何提高/减少资源利用率？

询问：

insert overwrite table dss.prblm_mtrc partition (LOAD_DT) select *, '2019-01-02' as LOAD_DT from dss.v_prblm_mtrc_stg_etl
4

1 回答 1

1

使用静态分区，如果目标表中已经有很多分区，Hive 会在最终加载之前更快地扫描它们，另见：HIVE Dynamic Partitioning Tips

insert overwrite table dss.prblm_mtrc partition (LOAD_DT='2019-01-02') select * from dss.v_prblm_mtrc_stg_etl

如果您的源表有太多小文件，请尝试减少它们，对 orc 文件使用 concatenate或在加载源表时使用合并

使用矢量化、调整映射器和缩减器并行性：https ://stackoverflow.com/a/48487306/2700344

set hive.vectorized.execution.enabled = true;
set hive.vectorized.execution.reduce.enabled = true;

所有矢量化设置都在这里。

如果您的目标表包含许多已加载的分区，请尝试关闭自动收集统计信息，此设置可能会加快加载速度：

set hive.stats.autogather=false;

此外，如果您的源表是 orc 并且拆分计算需要很长时间，请尝试以下设置：

hive.exec.orc.split.strategy=BI;

更多关于 ORC 策略：ORC 拆分策略

于 2019-01-08T19:45:32.443 回答