hive中使用正则表达式不当导致运行奇慢无比
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了hive中使用正则表达式不当导致运行奇慢无比，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含5031字，纯文字阅读大概需要8分钟。
内容图文
业务保障部有一个需求，需要用hive实时计算上一小时的数据，比如现在是12点，我需要计算11点的数据，而且必须在1小时之后运行出来，但是他们用hive实现的时候发现就单个map任务运行都超过了1小时，根本没法满足需求，后来打电话让我帮忙优化一下，以下是优化过程：
1、hql语句：
CREATE TABLE weibo_mobile_nginx AS SELECT split(split(log, '`') [ 0 ], '\\|')[ 0 ] HOST, split(split(log, '`') [ 0 ], '\\|')[ 1 ] time, substr( split( split(split(log, '`') [ 2 ], '\\?')[ 0 ], ' ' )[ 0 ], 2 )request_type, split( split(split(log, '`') [ 2 ], '\\?')[ 0 ], ' ' )[ 1 ] interface, regexp_extract( log, ’.*& ua =[^ _ ]* __([^ _ ]*)__([^ _ ]*)__([^ _ ]*)__<span style="font-family: Arial, Helvetica, sans-serif;">[^&]*</span>’, 3 )version, regexp_extract( log, ’.*& ua =[^ _ ]* __([^ _ ]*)__([^ _ ]*)__([^ _ ]*)__.* ',1) systerm,regexp_extract(log,’.*&networktype=([^&%]*).*', 1 )net_type, split(log, '`')[ 4 ] STATUS, split(log, '`')[ 5 ] client_ip, split(log, '`')[ 6 ] uid, split(log, '`')[ 8 ] request_time, split(log, '`')[ 12 ] request_uid, split(log, '`')[ 13 ] http_host, split(log, '`')[ 15 ] upstream_response_time, split(log, '`')[ 16 ] idc FROM ods_wls_wap_base_orig WHERE dt = '20150311' AND HOUR = '08' AND( split(log, '`')[ 13 ]= 'api.weibo.cn' OR split(log, '`')[ 13 ]= 'mapi.weibo.cn’);其实这个hql很简单，从一个只有一列数据的表ods_wls_wap_base_orig中获取数据，然后对每一行数据进行split或者正则表达式匹配得到需要的字段信息，最后通过输出的数据创建weibo_mobile_nginx表。
其中表ods_wls_wap_base_orig的一行数据格式如下：
web043.mweibo.yhg.sinanode.com|[11/Mar/2015:00:00:01 +0800]`-`"GET /2/remind/unread_count?v_f=2&c=android&wm=9847_0002&remind_version=0&with_settings=1&unread_message=1&from=1051195010&lang=zh_CN&skin=default&with_page_group=1&i=4acbdd0&s=6b2cd11c&gsid=4uQ15a2b3&ext_all=0&idc=&ua=OPPO-R8007__weibo__5.1.1__android__android4.3&oldwm=9893_0028
HTTP/1.1"`"R8007_4.3_weibo_5.1.1_android"`200`[121.60.78.23]`3226234350`"-"`0.063`351`-`121.60.78.23`1002792675011956002`api.weibo.cn`-`0.063`yhg20150311 00
只有1列，列名是log。
2、既然hql实现很慢，我第一次优化的尝试就是写mapreduce
map代码如下：
public class Map extends Mapper<LongWritable, Text, Text, Text> {
private Text outputKey = new Text();
private Text outputValue = new Text();
Pattern p_per_client = Pattern
.compile(".*&ua=[^_]*__([^_]*)__([^_]*)__([^_]*)__[^&]*");
Pattern net_type_parent = Pattern.compile(".*&networktype=([^&%]*).*");
public void map(LongWritable key, Text value, Context context)
throws IOException, InterruptedException {
String[] arr = value.toString().split("`");
if (arr[13].equals("api.weibo.cn") || arr[13].equals("mapi.weibo.cn")) {
Matcher matcher = p_per_client.matcher(value.toString());
String host = "";
String time = "";
String request_type = "";
String interface_url = "";
String version = "";
String systerm = "";
String net_type = "";
String status = "";
String client_ip = "";
String uid = "";
String request_time = "0";
String request_uid = "";
String http_host = "";
String upstream_response_time = "0";
String idc = "";
host = arr[0].split("\\|")[0];
time = arr[0].split("\\|")[1];
request_type = arr[2].split("\\?")[0].split(" ")[0].substring(1);
interface_url = arr[2].split("\\?")[0].split(" ")[1];
if (matcher.find()) {
version = matcher.group(1);
systerm = matcher.group(2);
}
Matcher matcher_net = net_type_parent.matcher(value.toString());
if (matcher_net.find()) {
net_type = matcher_net.group(1);
}
status = arr[4];
client_ip = arr[5];
uid = arr[6];
if (!arr[8].equals("-")) {
request_time = arr[8];
}
request_uid = arr[12];
http_host = arr[13];
if (!arr[15].equals("-")) {
upstream_response_time = arr[15];
}
idc = arr[16];
outputKey.set(host + "\t" + time + "\t" + request_type + "\t"
+ interface_url + "\t" + version + "\t" + systerm + "\t" + net_type
+ "\t" + status + "\t" + client_ip + "\t" + uid + "\t" + request_uid
+ "\t" + http_host + "\t" + idc);
outputValue.set(request_time + "\t" + upstream_response_time);
context.write(outputKey, outputValue);
}
}
java代码其实也很简单，这里不多说。打包提交job，结果map最慢的运行了40分钟，平均map运行时间达到30分钟，虽然整个job在1小时内完成了，但是也很慢，这个问题看来不是用java改写就能好的问题。
3、最后检测正则表达式
改用java实现的mapreduce运行也很慢，看来问题还是其他原因，我看了一下hql中的正则表达式，修改了几个地方：
原来的：
regexp_extract(
log,
’.*& ua =[^ _ ]* __([^ _ ]*)__([^ _ ]*)__([^ _ ]*)__[^&]*’,
3
)version,
regexp_extract(
log,
’.*& ua =[^ _ ]* __([^ _ ]*)__([^ _ ]*)__([^ _ ]*)__.* ',1)
systerm,
regexp_extract(log,’.*&networktype=([^&%]*).*',
1
)net_type,修改后：regexp_extract( log, '&ua=[^_]*__[^_]*__([^_]*)__[^_]*__', 1 )version, regexp_extract( log, '&ua=[^_]*__[^_]*__[^_]*__([^_]*)__', 1 )systerm, regexp_extract( log, '&networktype=([^&%]*)', 1 )net_type,其实匹配目标很明确，所以我把正则表达式前后的".*"去掉了，同时去掉了没必要的group，索引都改成了1。
java代码的正则表达式也进行了修改：
Pattern p_per_client = Pattern
.compile("&ua=[^_]*__[^_]*__([^_]*)__([^_]*)__");
Pattern net_type_parent = Pattern.compile("&networktype=([^&%]*).");分别提交测试了一下，速度ss的，修改后的hql和mapreduce整个作业6分钟运行完成，平均map运行时间2分钟，速度提升很大，满足了他们的速度要求。
总结：
1、正则表达式最前面包含“.*”，这样在匹配的时候需要从第一个字符开始匹配，速度非常非常慢，如果我们匹配的目标很明确的情况下，应该去掉“.*”
2、以后遇到这种问题的时候，一定要看看正则表达式是不是写得有问题，切记切记。
原文：http://blog.csdn.net/bigdatahappy/article/details/44455699
内容总结
以上是互联网集市为您收集整理的hive中使用正则表达式不当导致运行奇慢无比全部内容，希望文章能够帮你解决hive中使用正则表达式不当导致运行奇慢无比所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。