从 MapReduce 到 Hive —— 一次迁移过程小记

jopen 11年前

1、背景介绍

早先的工作中,有很多比较复杂的分析工作,当时对hive还不熟悉,但是java比较熟悉,所以在进行处理的时候,优先选择了MR.
但是随着工作的数据内容越来越多,越来越复杂,对应的调整也越来越多,越来越复杂.纯使用MR方式整个流程就比较复杂,如果需要修改某个部分,那首先需要修改代码中的逻辑,然后把代码打包上传到某个可访问路径上(一般就是hdfs),然后在调度平台内执行.如果改动较大的情况,可能还会需要在测试环境中多次调试. 总之就是会花比较多的时间在非业务逻辑改动的工作上.
考虑到维护的成本的增大,慢慢的开始准备将MR的作业,逐渐的移植到一些脚本平台上去，hive成了我们的首选。

2、实战场景

先看这样一个场景. 每一个用户在登录到网站上的时候会带有一个ip地址,多次登录可能会有多个不同的ip地址.
假设,我们已经有一个 用户->ip地址这样的一份数据.我们需要对此进行分析,得到一份来自相同ip的用户的关系表,数据格式类似
用户->用户，具体的ip我们不保留了。

第1步 用udf取最频繁ip

我们先看一下原始数据的字段，是user_id，ips，我们再来看看ips内容的格式，我们执行
Select * from iptable limit 100
你会发现，虽然我们limit了100而且是没有任何复杂条件的查询，hive竟然也会去扫描所有的数据，这非常奇怪也很浪费。原来hive的limit在默认的情况下的执行过程就是把所有数据都跑出来，然后再一个reduce上，进行limit。这是为了保证在某些情况下筛选条件对结果的影响。
但是我们可以通过打开一个hive.limit.optimize.enable=true来简化这个查询，当这个选项打开以后hive会读取hive.limit.row.max.size，hive.limit.optimize.limit.file的默认值来进行小数据量的计算。</span>
我们看到ips的原始数据的格式是ip,ip,… 用逗号分隔的多个ip字符串。
我们要从用户->[ip地址] 这样的数据中得到一个用户使用最多的ip地址作为用户的最常用ip。这里我们会使用hive的自定义udf来完成这一步的工作。
那么udf是什么呢，udf就是user define function的缩写.通过它我们可以对hive进行扩展,hive本身已经带了很多的基本的udf了,比如length(),sin(),unix_timestamp(),regexp_replace()等等.
这些都是一些比较通用的处理,如果有的时候我们要在字段上做一些特殊的逻辑就要自己动手写了.
下面就是我们用来实现这个功能的udf代码 
@Description(name = “freq  ips”, value = “find most frequence ips from all login ip”, extended = “”)  public class FindFreqIps extends UDF {      public String evaluate(String content, int limit) {         // 计算最常用ip的代码逻辑,并返回结果         Return result;      }  }
里面的逻辑主要就是找到前limit个最长使用的Ip，我们看到我们的类需要继承自hive包中的UDF类，然后任意的定义输入类型和返回类型，但是方法的名字一定要叫evaluate,hive会使用反射来得到这个方法的输入输出。当我们要在hive中使用它的时候，我们要首先把这个类打成jar包，然后让hive可以访问到。一般可以直接放在hdfs上，然后使用 
Add jar hdfs_path/myjar.jar;  Create temporary function FindFreqIps as ‘FindFreqIps’  Select user_id, FindFreqIps(ips) as freqIps from tablexxx
另外还有一种是继承自genericUDF，这种方式可以自由的控制输入和返回类型处理，比起UDF来说更加的灵活些。但是我们这里普通的udf就足够了。

第2步 列转行,进行join

从第一步，我们得到了用户最常用的N个ip，我们这里假设值3个。然后我们要找到这些用户之间的关联，即相同的ip的关系。
那么非常直接的方式，我们直接对用户的ip进行join，但是现在ip是3个连在一起字符串的形式，无法直接join。那么我们就先把ip都分解开。
我们把这个ips的字段进行一个列转行的转换，如下 
Select user_id,ip from tablexxx  Lateral view explode(split(ips, “,”))  subview as ip
这样就会得到 user->ip的单条的记录。这里的
这下要join就方便了，假设上面的结果表是singleIP我们 
Select a.user_id as fromid, b.user_id as  toid  SingleIP a  Join  SingleIP b  On a.ip = b.ip and a.user_id <>  b.user_id;
什么，报错了！
a.user_id <> b.user_id这个部分会报错，因为hive中join的时候，是只能指定等式来进行匹配的，不支持不等式的条件。如果使用了不等式，会使join的数量变的非常大。
于是，我们就只能曲线救国了。 
Select * from  (Select a.user_id as fromid, b.user_id as  toid  SingleIP a  Join  SingleIP b  On a.ip = b.ip) m  Where m.fromid <> m.toid;
你会发现，执行了1次join，2次select使用的mr的步骤还是一步。一般总感觉嵌套了一次select以后也会对应的产生2次mr，难道是hive自己进行了优化吗？那么我们借助hive的分析工具来看看hive是如何执行的呢。
我们在刚才的语句前加上explain，来看看这个select的执行计划。
Hive会通过antlr来对输入的sql语句进行语法分析，产生一个执行计划。
执行计划会有三个部分

第一部分是ABSTRACT SYNTAX

TREE抽象语法树
这里面显示了hive把这个sql解析成什么样的各个token。
类似这样(TOK_SELECT (TOK_SELEXPR TOK_ALLCOLREF))表示

第二部分是STAGE DEPENDENCIES

一个hive的执行过程会包含多个stage，他们之间有互相依赖的关系。比如下面 
Stage-1 is a root  stage    Stage-0 depends on stages: Stage-1    Stage-3 depends on  stages: Stage-0
这里的stage-1是root stage。而0依赖于1，3依赖于0。

第三个部分是STAGE PLANS， 就是每个stage中的具体执行的步骤。

在stage plans里面每一个stage和普通的hadoop程序一样会有map和reduce的过程。我们截取一段map过程的计划看下。 
Stage: Stage-1      Map Reduce        Alias ->  Map Operator Tree:          a            TableScan              alias:  a              Reduce  Output Operator                key expressions:  expr: ip  type: string                 sort    order: +  Map-reduce partition columns:  expr: ip  type: string                tag:  0                value expressions:  expr: user_id  type: string
这里是对a表也就是SingleIP表的一个map阶段的操作。Reduce output operator这里会显示使用ip作为key，自增排序，因为是string的所以是字典序的自增。Partition使用ip作为分发字段。tag指的是类似一个来源的概念，因为这里的join采用的是reduce join的方式，每一个从不同的map来的数据最后在reduce进行汇合，他们会被打上一个标记，代表他们的来源。然后就是value的内容，user_id。

然后再来看看reduce过程的计划 
Reduce Operator Tree:            Join  Operator              condition  map:    Inner Join 0 to 1              condition  expressions:                0  {VALUE._col0}                1  {VALUE._col0}    handleSkewJoin: false    outputColumnNames: _col0, _col2
这里显示一个join的操作。这里表示把0的内容加到1上。后面有一个handleSkewJoin，这个是hive的一个应对数据倾斜的一种处理方式，默认是关闭的，我们后面再来详细看。
这里也可以用explain extended，输出的信息会更加详细。那么看了这个我们再比较一下我们之前的第二个查询计划，我们来看看加上了嵌套查询以后的执行计划有什么变化呢？会发现hive在reduce的执行计划里面会加上一段 
Filter  Operator  predicate:  expr: (_col0 <> _col2)  type: boolean
在reduce最后输出之前，进行了一个过滤的操作，过滤的条件就是外部的查询的where条件。正如我们所料，hive发现这个过程是可以一次性完成的，所以进行了优化，放在了reduce阶段来作了。
另外如果hive中有多张表进行join，如果他们的join key是一样的，那么hive就会把他们都放在一次mr中完成。

第3步 数据倾斜

上一步中，我们计算出了所有的相同ip的人的点对点关系。但是这个结果集会有不少问题，比如如果某个ip是一个公共出口，那么就会出现同一个ip有上万人都在使用，他们互相join展开以后，结果的数据量会非常大，时间上很慢不说，最终得到的数据实际上很多我们也用不上(这个是基于业务上得考虑)，甚至有可能，在展开的时候会出现各种问题，导致计算时间过长，算不出来。这种情况，我们在hive里面称之为数据倾斜。

在group by的时候，如果出现某一个reduce上得数据量过大的情况，hive有一个默认的hive.groupby.skewindata选项，当把它设置为true的时候，hive会将原来的一次MR变成2次，第一次，数据在reduce的时候会随机分发到每个reduce，做部分的聚合，然后第二次的时候再按照group by的key进行分发。这样可以有效的处理一般的倾斜情况。

而在join的时候，如果join的其中某个key的值非常的多，也会导致倾斜。有的时候，如果有null值，在hive看来null和null是相等的，它也会对他们进行join，也会错误的倾斜。由于join的时候，hive会把第一张表的内容放到一个内容map中，然后不断的读取后表的内容来进行join，所以如果左边的表示小表这个过程就会非常的高效。当然使用mapjoin也一种有效的方式，直接把一张足够小的表完全放到内存来后另一张表进行join。类似这样 
SELECT /*+ MAPJOIN(b) */  a.key, a.value FROM a join b on a.key = b.key；
我们的ip计算使用的是自己join自己，所有也没有大小表之分，同时单表的数据量也大到无法完全放进内存，那么是不是就要进行硬算呢？在实际中，因为ip的分布没有倾斜到太过火的程度，硬算也确实可以，但是这里我们换一种方式来稍稍优化一下。
首先我们采用bucket的方式来保存之间的用户->ip的数据。使用ip来作为分桶键。 
CREATE TABLE userip(user_id bigint, ip STRING)  CLUSTERED BY (ip) INTO 128 BUCKETS;
然后set hive.enforce.bucketing  = true;开启bucket计算
from tableaaa
insert overwrite table tablebbb
select user_id, ip;
结果将会被保存到128个不同的桶中，默认根据ip的hashcode来取模。这样每个桶内的数据基本大概是原数据量的1/100。当然如果原始数据量太大，还可以分桶更加多一些。
这个地方如果我们不开启enforce.bucketing的话，也可以通过设置
set mapred.reduce.tasks=128.然后在查询中cluster by来强制指定进行分桶。这步完成之后，我们再来进行设置
set hive.optimize.bucketmapjoin=true;
set  hive.optimize.bucketmapjoin.sortedmerge=true;
然后hive就能对每个分块数据进行mapjoin。

第4步 用udaf取top N

好了，现在我们已经有所有的user->user的数据，我们希望要一个user->[users]的一对多的记录，但是这个数据量有点大，实际上每个用户大概关联1000个已经足够了。首先对数据进行排序，排序的依据就是按照用户的相同的ip的数量。然后去最前面的1000个，不足的按实际数量取。
这个地方比较容易想到的就是，先group by fromid，toid，然后count一个总数作为新字段，如下
这里想到一种做法是用淘宝的一个类sql的row_number实现，然后用row_number来对fromid做主键，给按照count从大到小写上序列编号seq。最后做一个嵌套查询，只取seq<=1000的数据。Row_number的话标准的hive中没有。那么这里就可以让自定义udaf上场了。
Udaf顾名思义就是一个Aggregate的udf，和之前的udf的区别就是他一般是用来group by的场合中。 
@Description(name = “myudaf”, value = “calc users has most same ips ” )    public class GenericUDAFCollect extends AbstractGenericUDAFResolver {      @Override      public GenericUDAFEvaluator getEvaluator(TypeInfo[] parameters)             throws SemanticException {         return new MyUDAFEvaluator();      }  }

自己定义一个evaluator，并且实现其中的一些方法。 

public static class MyUDAFEvaluator extends GenericUDAFEvaluator {      @Override      public ObjectInspector init(Mode m, ObjectInspector[] parameters) throws HiveException {         }      @Override      public void reset(AggregationBuffer agg) throws HiveException {         }      @Override      public AggregationBuffer getNewAggregationBuffer() throws HiveException {         }      // Mapside      @Override      public void iterate(AggregationBuffer agg, Object[] parameters) throws HiveException {         }      // Mapside      @Override      public Object terminatePartial(AggregationBuffer agg) throws HiveException {         }      @Override      public void merge(AggregationBuffer agg, Object partial) throws HiveException {         }   // Reduceside      @Override   public Object terminate(AggregationBuffer agg) throws HiveException {         }  }
在init阶段会传一个Mode进来，这个Mode中定义了以下的几个阶段
PARTIAL1： 这个是map阶段，这个阶段会调用iterate(),和terminatePartial()
PARTIAL2：  这个是map段得combiner阶段，会将map端的数据进行合并，也可能没有这个阶段。会执行merge()和terminatePartial()

FINAL： 这个是reduce阶段，会调用merge()和terminate()

COMPLETE: 这是纯map处理，无reduce的情况出现的阶段，它会调用iterate()和terminate()
而从函数方面来说，init是初始化，他会传入mode作为参数。可以根据不同的阶段采取不同的处理。getNewAggregationBuffer的处理是hive为了内存的复用，减少gc，他并不是每一次处理一条记录都会新申请空间，而是在处理一批数据的时候重复使用一批内存。Terminate就是最终的输出了。
Ok，了解了udaf，那么可以动手了。Sql如下 
Select fromid, getTopN(toid,n) from tablexx3  Group by fromid
其中的getTopN首先在map端，将每一个fromid的关联的toid的次数都记录下来,记录条数代表重复的ip数量，然后按照这个次数进行倒序排序，截取前n个。
在reduce端，将各个map端的结果再按照次数倒序排序，再进行截取n个并进行合并。最终输出的就是每个fromid对应的toid的列表了。
从这次从mr转换到hive的过程中，对我们目前的mr和hive进行了一些比较

3、mr和hive比较

1. 运算资源消耗

无论从时间，数据量，计算量上来看，一般情况下mr都是优于或者等于hive的。mr的灵活性是毋庸置疑的。在转换到hive的过程中，会有一些为了实现某些场景的需求而不得不用多步hive来实现的时候。

2. 开发成本/维护成本

毫无疑问，hive的开发成本是远低于mr的。如果能熟练的运用udf和transform会更加提高hvie开发的效率。另外对于数据的操作也非常的直观，对于全世界程序员都喜闻乐见的sql语法的继承也让它更加的容易上手。
   hive独有的分区管理，方便进行数据的管理。
   代码的管理也很方便，就是直接的文本。</span>
   逻辑的修改和生效很方便。</span>
   但是当出现异常错误的时候，hive的调试会比较麻烦。特别是在大的生产集群上面的时候。</span>

3. 底层相关性

在使用hive以后，读取文件的时候，再也不用关心文件的格式，文件的分隔符，只要指定一次，hive就会保存好。相比mr来说方便了很多。
当侧重关心与业务相关的内容的时候，用hive会比较有优势。而在一些性能要求高，算法研究的时候，mr会更加适合。

原文地址：http://rdc.taobao.org/?p=1457