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 =[^ _ ]* __([^ _ ]*)__([^ _ ]*)__([^ _ ]*)__[^&]*’,		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 ] idcFROM	ods_wls_wap_base_origWHERE	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
     
       {  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。