amazon-web-services - 在Amazon EMR上降低100％Cpu利用率的Hive技巧

我正在使用下表处理大约15GB(.gz压缩)的iislog。
使用Amazon EMR(1个中型主实例，4个大核心实例，2个任务实例)。甚至需要大约1个小时才能获得此查询的结果:

select uri, cs_Cookie as Cookie, count(*) as hits from tmp1 group by cs_Cookie, uri order by hits Desc;

我看到在所有DataNode上每次的CPU利用率均为100％。因此，有人可以建议如何减少查询时间以及CPU利用率吗？

表定义:

create external table marData(logdate string, time string, computername string, clientip string, uri string, qs string, localfile string, status string, referer string, w3status string, sc_bytes string, cs_bytes string, w3wpbytes string, cs_username string, cs_user_agent string, time_local string, timetakenms string, sc_substatus string, s_sitename string, s_ip string, s_port string, RequestsPerSecond string, s_proxy string, cs_version string, c_protocol string, cs_method string, cs_Host string, EndRequest_UTC string, date_local string, CPU_Utilization string, cs_Cookie string, BeginRequest_UTC string) partitioned by (month string) ROW FORMAT SERDE
'org.apache.hadoop.hive.contrib.serde2.RegexSerDe'
               WITH SERDEPROPERTIES (
               "input.regex" ="([0-9-]+) ([^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) (\".*\"|[^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) (\".*\"|[^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) (\".*\"|[^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) ([^ ]*) ([0-9-]+ [0-9:.]+) ([^ ]*) ([^ ]*) (\".*\"|[^ ]*) ([0-9-]+ [0-9:.]+)",
               "output.format.string"="%1$s %2$s %3$s %4$s %5$s %6$s %7$s %8$s %9$s %10$s %11$s %12$s %13$s %14$s %15$s %16$s %17$s %18$s %19$s %20$s %21$s %22$s %23$s %24$s %25$s %26$s %27$s %28$s %29$s %30$s %31$s %32$s")
location 's3://logdata/Mar';

最佳答案

查询期间节点上的内存使用情况如何？

正如@Charles Menguy在评论中说的那样，高CPU使用率从本质上来说并不是一件坏事。

您可能会考虑使用更多，更大的节点以在更短的时间内完成作业。可能需要进行一些实验，但这对您来说可能更便宜。例如，我们发现切换到更大的节点(我们使用m2.xlarge)可以使我们的作业每美元运行的速度比我们最初使用更多m1.large实例的速度快。