内容简介:继续上篇,上一篇中数据已经导入到Hive中,并且去除双引号的UDF也编写完成,该篇将围绕着业务建立相关的表。从源数据中直接导入的数据可能并不符合最终的要求,一般都需要清洗阶段,这里新建一个dwd层表,该表与ods层的不同之处在于使用了时间作为分区字段,分区的本质对于Hive来说是表空间下的不同文件夹,当查询时如果指定分区就不需要扫描全部的文件。另外该表使用了清单1:清洗后的中间层表
继续上篇,上一篇中数据已经导入到Hive中,并且去除双引号的UDF也编写完成,该篇将围绕着业务建立相关的表。
动态分区
从源数据中直接导入的数据可能并不符合最终的要求,一般都需要清洗阶段,这里新建一个dwd层表,该表与ods层的不同之处在于使用了时间作为分区字段,分区的本质对于Hive来说是表空间下的不同文件夹,当查询时如果指定分区就不需要扫描全部的文件。另外该表使用了 orcfile
格式存储,并且开启了 snappy
压缩算法,一般CPU速率远远大于硬盘速率,因此这是一种消耗CPU性能来弥补硬盘性能不足的策略,先立个flag,后面专门研究下hive中的存储格式以及压缩算法。
清单1:清洗后的中间层表
create external table if not exists dwd_mrdear_access_log( remote_addr string, remote_user string, request_url string, status string, size string, referer string, user_agent string, http_x_forwarded_for string ) partitioned by (dt string) stored as orcfile TBLPROPERTIES("orc.compress"="SNAPPY");
表建立后,自然要想办法把数据从源表中导入进来,这里使用动态分区,动态分区的原理是根据查询出来的字段列表最后的列作为分区字段,比如下面 sql 中分区字段为 dt
且只有一个,因此会使用 formatDate(time)
(自定义时间处理的UDF)的结果作为该分区值,然后进行分区处理,分区处理判断该分区有没有建立,没有则创建,然后插入数据。
清单2:数据清洗ETL
// 单个reduce对内存有限制,如果oom,则可以设置多个reduce处理 set mapred.reduce.tasks = 2; // 数据导入 insert overwrite table dwd_mrdear_access_log partition (dt) select remote_addr, remote_user, removeQuota(request_url), status, size, removeQuota(referer), removeQuota(user_agent), removeQuota(http_x_forwarded_for), formatDate(time) as dt from ods_mrdear_access_src_log DISTRIBUTE BY dt ;
PS
这里可能会报错,有几个参数控制着Hive的动态分区,根据错误进行调整。
清单3:动态分区相关配置
hive.exec.dynamic.partition=true/false #是否开启动态分区 hive.exec.dynamic.partition.mode=struct/nostruct #表示 hive.exec.max.dynamic.partitions.pernode=100 #每个MR节点最多产生的分区数 hive.exec.max.dynamic.partitions=10000 #所有MR节点最大产生的分区数 hive.exec.max.created.files=10000 # 所有MR节点最大产生文件数 hive.error.on.empty.partition=false #空分区产生,是否报异常
动态分区的原理
动态分区的隐藏条件是 根据分区字段作为中间结果的分区输出条件 ,举个例子,在上述导入数据的SQL中,当执行完 select xx from ods_mrdear_access_src_log DISTRIBUTE BY dt
时所产生的临时结果数据已经是分区后的结果,如下所示:
然后利用 MoveOperator
从临时目录移动到最终表空间下,需要合并的话还会执行 MergeOperator
把多个结果集合并成一个,完成动态分区。
查询计划explain
通过上面动态分区所需要的业务中间表已经建立,接下来是完成业务需求,比如统计HTTP状态码的分布,也就是200,400,404等请求的个数,通过hive很容易写出以下sql。
清单4:统计状态码分布
select status,count(1) as total from dwd_mrdear_access_log group by status; # 查询结果 status total 200 585504 206 447 301 3387 304 37804 400 3296 403 766 404 34285 405 9503 408 1 499 706
那么对于Hive来说,该SQL到底是怎么执行的呢?Hive通过查询计划Explain向开发人员展示整个查询流程,使用方式是在查询语句前加 explain
或者 explain extended
关键字,后者能看到更加详细的信息。在这之前先了解Hive的基本操作分类,如下表所示:
操作符 | 描述 | 描述类 |
---|---|---|
TableScanOperator | 扫描hive表数据 | org.apache.hadoop.hive.ql.plan.TableScanDesc |
ReduceOutOperator | 创建将发送到Reduce端的<key,reduce>对 | org.apache.hadoop.hive.ql.plan.ReduceSinkDesc |
JoinOperator | Join两份数据 | org.apache.hadoop.hive.ql.plan.JoinDesc |
SelectOperator | 选择输出列 | org.apache.hadoop.hive.ql.plan.SelectDesc |
FileOutOperator | 建立结果数据,输出至文件 | org.apache.hadoop.hive.ql.plan.FileSinkDesc |
FilterOperator | 过滤输入数据 | org.apache.hadoop.hive.ql.plan.FilterDesc |
GroupByOperator | Group By语句 | org.apache.hadoop.hive.ql.plan.GroupByDesc |
MapJoinOperator | / +mapjoin(t) / | org.apache.hadoop.hive.ql.plan.MapJoinDesc |
LimitOperator | Limit语句 | org.apache.hadoop.hive.ql.plan.LimitDesc |
UnionOperator | Union语句 | org.apache.hadoop.hive.ql.plan.UnionDesc |
FetchOperator | 客户端直接读取数据 | org.apache.hadoop.hive.ql.plan.FetchWork |
MoveOperator | 移动数据文件 | org.apache.hadoop.hive.ql.plan.MoveWork |
更多的Operator可以在Hive源码中定位到 org.apache.hadoop.hive.ql.plan.Explain
注解,然后查看相应的逻辑。
explain
会把SQL拆分为多个 STAGE
, STAGE
之间会构成一个DAG图的依赖关系,根据DAG的关系决定执行方式。在执行流程就会拆分为对应的 Operator
,对于 select status,count(1) as total from dwd_mrdear_access_log group by status;
其执行流程如下(注释很详细):
清单5:查询计划注释
STAGE DEPENDENCIES: # 这里展示任务依赖关系,即DAG图 Stage-1 is a root stage Stage-0 depends on stages: Stage-1 STAGE PLANS: Stage: Stage-1 Map Reduce # 代表这是一个MR任务 Map Operator Tree: # Map阶段 TableScan # 1. 扫描表 alias: dwd_mrdear_access_log Statistics: Num rows: 675699 Data size: 609083736 Basic stats: COMPLETE Column stats: NONE Select Operator # 2. 获取需要的列数据 expressions: status (type: string) outputColumnNames: _col0 # hive内部会使用默认别名来屏蔽列名的影响 Statistics: Num rows: 675699 Data size: 609083736 Basic stats: COMPLETE Column stats: NONE Group By Operator # 3. 根据获取的数据分组,执行对应的聚合函数 aggregations: count(1) # 聚合操作的执行 keys: _col0 (type: string) mode: hash # 聚合使用的是hash方式 outputColumnNames: _col0, _col1 Statistics: Num rows: 675699 Data size: 609083736 Basic stats: COMPLETE Column stats: NONE Reduce Output Operator # 4. 结果写到临时文件中,作为Map阶段输出 key expressions: _col0 (type: string) sort order: + # 表示正向排序 Map-reduce partition columns: _col0 (type: string) Statistics: Num rows: 675699 Data size: 609083736 Basic stats: COMPLETE Column stats: NONE value expressions: _col1 (type: bigint) Reduce Operator Tree: # 代表这是一个Reduce任务 Group By Operator # 5. 对Map阶段的结果再次聚合 aggregations: count(VALUE._col0) keys: KEY._col0 (type: string) mode: mergepartial # 这里的聚合模式是合并分区结果 outputColumnNames: _col0, _col1 Statistics: Num rows: 337849 Data size: 304541417 Basic stats: COMPLETE Column stats: NONE File Output Operator # 6. 输出到临时文件中作为Reduce阶段结果 compressed: false Statistics: Num rows: 337849 Data size: 304541417 Basic stats: COMPLETE Column stats: NONE table: input format: org.apache.hadoop.mapred.SequenceFileInputFormat output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe Stage: Stage-0 Fetch Operator # 7. 读取Reduce阶段结果,展示输出 limit: -1 Processor Tree: ListSink
转换为图则如下:
Map以及Reduce数量
在Hive中可以使用其提供的参数来控制Map以及Reduce的任务数量,从而针对不同的需求最大化性能。
Map数量
Hive是基于Hadoop的上层抽象,其Map本质是使用 org.apache.hadoop.mapred.InputFormat
从HDFS中读取数据,因此能起多少Map由具体的实现类中 getSplits
方法确定,一般情况下一个 org.apache.hadoop.mapred.InputSplit
就是一个Map。
在Hive中如果想影响拆分算法,一般使用 org.apache.hadoop.hive.ql.io.CombineHiveInputFormat
读取且合并小文件数据,然后使用以下参数影响拆分合并算法:
- mapreduce.input.fileinputformat.split.minsize:每一个块最小size
- mapreduce.input.fileinputformat.split.maxsize:每一个块最大size
- mapreduce.input.fileinputformat.split.minsize.per.node:同一节点的数据块形成切片时,切片大小的最小值
- mapreduce.input.fileinputformat.split.minsize.per.rack:同一机架数据块切片时最小值
Reduce数量
Reduce数量主要由以下三个参数控制,其逻辑在 org.apache.hadoop.hive.ql.exec.mr.MapRedTask#setNumberOfReducers
方法中。
- hive.exec.reducers.bytes.per.reducer (默认值: 256000000):根据处理文件大小决定reduce数量,默认256Mb,如果是1G输入文件则对应4个Reduce任务。
- hive.exec.reducers.max (默认值: 1009) :控制最大的Reduce数量
- mapreduce.job.reduces (默认值: -1):直接指定Reduce数量
业务需求
查询top受访页面
清单6:top受访页面结果
# SQL select request_url, count(request_url) as total from dwd_mrdear_access_log group by request_url sort by total desc limit 10; # 结果 request_url total GET /atom.xml HTTP/1.1 60869 GET / HTTP/1.1 15891 GET /robots.txt HTTP/1.1 6776 GET /fonts/iconfont.woff?t=1503327386217 HTTP/2.0 6207 GET /live2d/assets/mtn/idle.mtn HTTP/2.0 5824 GET /scss/base/index.css HTTP/2.0 5675 GET /live2dw/assets/mtn/idle.mtn HTTP/2.0 5626 POST /search/ HTTP/1.1 5590 GET /js/common.js HTTP/2.0 5548 GET /atom.xml HTTP/2.0 4842
根据查询可以看出来,RSS订阅地址以及首页访问频率最大,不过search页面为什么访问也这么大,并且还是POST,很不合理。查询下数据 select * from dwd_mrdear_access_log where request_url='POST /search/ HTTP/1.1' limit 10;
确认是某个客户端在一直请求,状态返回都是405.
查询top带宽页面
清单7:top带宽页面结果
select request_url, count(request_url) as total, sum(size/1024/1024) as size from dwd_mrdear_access_log group by request_url sort by size desc limit 10; # 结果 request_url total size GET /atom.xml HTTP/1.1 60869 15968.452551841736 GET /live2d/assets/moc/koharu.moc HTTP/2.0 3850 779.69225025177 GET /live2d/assets/moc/koharu.2048/texture_00.png HTTP/2.0 3699 763.9492750167847 GET /live2dw/assets/moc/koharu.moc HTTP/2.0 2400 488.95586681365967 GET /live2dw/assets/moc/koharu.2048/texture_00.png HTTP/2.0 2310 470.99531269073486 GET /live2d/assets/moc/koharu.moc HTTP/1.1 1803 420.5655183792114 GET / HTTP/1.1 15891 301.46044731140137 GET /live2dw/assets/moc/koharu.moc HTTP/1.1 875 208.76958084106445 GET /atom.xml HTTP/2.0 4842 142.66961765289307 GET /live2d/script.js HTTP/2.0 3797 123.83943176269531
根据结果live2d是真的占流量,拖慢网站速度,不过由于启用了PWA有一定程度的缓解。
以上所述就是小编给大家介绍的《Hive--从日志分析学习Hive(二)》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
利用Python进行数据分析
Wes McKinney / 唐学韬 / 机械工业出版社 / 2013-11-18 / 89.00
【名人推荐】 “科学计算和数据分析社区已经等待这本书很多年了:大量具体的实践建议,以及大量综合应用方法。本书在未来几年里肯定会成为Python领域中技术计算的权威指南。” ——Fernando Pérez 加州大学伯克利分校 研究科学家, IPython的创始人之一 【内容简介】 还在苦苦寻觅用Python控制、处理、整理、分析结构化数据的完整课程?本书含有大量的实践案例,......一起来看看 《利用Python进行数据分析》 这本书的介绍吧!