基于hadoop、hive的离线数据分析问题集锦

1、小文件合并。nginx+flume+hdfs的架构采集、存储日志，但是flume采集的日志最终会有很多的小文件存储到hdfs，令人难受的是hdfs并不适用于处理大量小文件，但是好在hadoop的mapreduce提供了可以批量合并小文件的方式，这里直接上干货代码：

在这里插入代码片
package baobei.data.etl;
import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.CombineTextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

/**
 * flume会产生多个文件到hdfs，这里设置将小文件聚合为一个大文件，
 * 方便后面的数据处理
 * 
 */
public class SmallFileCombiner {
	
	static class SmallFileCombinerMapper extends Mapper<LongWritable, Text, Text, NullWritable>{
		NullWritable v = NullWritable.get();
		@Override
		protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
			//通过这种方式相当于是直接把值打印到磁盘文件中。value其实就是每一样的的文件内容
			context.write(value, v);
		}
		
	}
	
	/**
	 * 如果生产环境中，小文件的数量太多，那么累计起来的数量也是很庞大的,那么这时候就要设置切片的大小了。
	 * 
	 * 即使用：CombineTextInputFormat.setMaxInputSplitSize(job, 1024*1024*150);
	 */
	public static void main(String[] args) throws Exception {
		Configuration conf = new Configuration();
		Job job = Job.getInstance(conf);		
		job.setJarByClass(SmallFileCombiner.class);	
		job.setMapperClass(SmallFileCombinerMapper.class);		
		job.setOutputKeyClass(Text.class);
		job.setOutputValueClass(NullWritable.class);	
		//下面的方式将小文件划分为一个切片。
		job.setInputFormatClass(CombineTextInputFormat.class);
		//如果小文件的总和为224M，将setMaxInputSplitSize中的第二个参数设置成300M的时候，在
		//hdfs://master:9000/output下只会生成一个part-m-00000这种文件
		//如果将setMaxInputSplitSize中的第二个参数设置成150M的时候，在
		//hdfs://master:9000/output下会生成part-m-00000 和 part-m-00001 两个文件
		CombineTextInputFormat.setMaxInputSplitSize(job, 1024*1024*150);
		CombineTextInputFormat.setInputPaths(job, new Path("hdfs://maoyunchao:9000/in/"));
		FileOutputFormat.setOutputPath(job, new Path("hdfs://maoyunchao:9000/output/"));
//		job.setNumReduceTasks(0);		
		job.waitForCompletion(true);
	}
}

2、集群内存不足。进行集群扩容，增加Datanode。
3、在写shell脚本的时候最好在脚本的前面加上source/etc/profile，这样就会去识别环境变量，否则在使用crontab定时执行脚本中的hive -f、hive -e等指令是会报错没有该指令。
4、在终端使用hive -e ''后面跟的是单引号，但是在shell脚本中hive -e ""后面的语句需要使用双引号。
5、在sqoop导出hive数据到mysql时报错check the manual that corresponds to your MySQL server version for the right syntax to use near。经过分析查询发现是mysql jar报的版本问题，刚开始我使用的是5.1.6版本，mysql jar包最好使用5.1.32版本，比较稳定，没有Bug。
6、查询速度过慢。12台机器（16G+8核），14个G，2000万左右的数据量，刚开始业务全部跑完大概需要1个40分钟左右，最后经过各种调优 ，像：Jvm重用、job并行执行、推测执行的关闭、reduce数目的设置、数据倾斜加盐优化（双重group随机后缀操作）、join优化（reduce join转化为map join、SMB join），最后执行时间1小时左右即可完成。其中执行速度最慢的就是外链分析的数据倾斜了，大概需要15分钟左右，优化后大概10分钟左右。
7、在写hql语句时在表前面加上数据库名eg：select * from baobei.pv的方式，否则会去默认的default库下寻找表。
8、把一些udf及一些配置写到$HIVE_HOME/bin下的.hiverc文件中，在每次执行hive语句时都会默认去执行。
9、调试的时候有时候会用到kill一些僵尸任务，杀掉mapreduce任务时可以使用 hadoop job -kill jobID、yarn application -kill ApplicationId的方式。
10、使用orcFile、parquet等的储存方式时直接建表然后导入数据，这样在查询时是会报错的，必须从另一张表上去查询出某些数据插入。eg：insert overwrite table xxx select …不能直接使用load data inpath …。