业务保障部有一个需求，须要用hive实时计算上一小时的数据。比方如今是12点，我须要计算11点的数据，并且必须在1小时之后执行出来。可是他们用hive实现的时候发现就单个map任务执行都超过了1小时，根本没法满足需求，后来打电话让我帮忙优化一下，下面是优化过程：
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’);事实上这个hql非常easy，从一个仅仅有一列数据的表ods_wls_wap_base_orig中获取数据，然后对每一行数据进行split或者正則表達式匹配得到须要的字段信息。最后通过输出的数据创建weibo_mobile_nginx表。
当中表ods_wls_wap_base_orig的一行数据格式例如以下：
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`yhg
20150311 00
仅仅有1列，列名是log。
2、既然hql实现非常慢，我第一次优化的尝试就是写mapreduce
map代码例如以下：
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 + " " + time + " " + request_type + " "
+ interface_url + " " + version + " " + systerm + " " + net_type
+ " " + status + " " + client_ip + " " + uid + " " + request_uid
+ " " + http_host + " " + idc);
outputValue.set(request_time + " " + upstream_response_time);
context.write(outputKey, outputValue);
}
}
java代码事实上也非常easy，这里不多说。打包提交job。结果map最慢的执行了40分钟。平均map执行时间达到30分钟，尽管整个job在1小时内完毕了。可是也非常慢。这个问题看来不是用java改写就能好的问题。
3、最后检測正則表達式
改用java实现的mapreduce执行也非常慢。看来问题还是其它原因。我看了一下hql中的正則表達式。改动了几个地方：
原来的：
regexp_extract(
log,
’.*& ua =[^ _ ]* __([^ _ ]*)__([^ _ ]*)__([^ _ ]*)__[^&]*’,
3
)version,
regexp_extract(
log,
’.*& ua =[^ _ ]* __([^ _ ]*)__([^ _ ]*)__([^ _ ]*)__.* ',1)
systerm,
regexp_extract(log,’.*&networktype=([^&%]*).*',
1
)net_type,改动后：regexp_extract( log, '&ua=[^_]*__[^_]*__([^_]*)__[^_]*__', 1 )version, regexp_extract( log, '&ua=[^_]*__[^_]*__[^_]*__([^_]*)__', 1 )systerm, regexp_extract( log, '&networktype=([^&%]*)', 1 )net_type,事实上匹配目标非常明白，所以我把正則表達式前后的".*"去掉了。同一时候去掉了不是必需的group。索引都改成了1。
java代码的正則表達式也进行了改动：
Pattern p_per_client = Pattern
.compile("&ua=[^_]*__[^_]*__([^_]*)__([^_]*)__");
Pattern net_type_parent = Pattern.compile("&networktype=([^&%]*).");分别提交測试了一下，速度ss的。改动后的hql和mapreduce整个作业6分钟执行完毕。平均map执行时间2分钟。速度提升非常大，满足了他们的速度要求。
总结：
1、正則表達式最前面包括“.*”，这样在匹配的时候须要从第一个字符開始匹配。速度很很慢，假设我们匹配的目标很明白的情况下。应该去掉“.*”
2、以后遇到这样的问题的时候。一定要看看正則表達式是不是写得有问题，切记切记。