Hive 优化
核心思想：把Hive SQL 当做Mapreduce程序去优化
以下SQL不会转为Mapreduce来执行（HDFS执行的）
select 仅查询本表字段
where 仅对本表字段做条件过滤
Explain 显示执行计划
explain extended select count(*) from psn;
strict 严格模式，防止误操作！
效率太低，要做限制
也很随意！
split map shuffle* reduce
竭尽全力去不经过shuffle
本地模式
开启本地模式：set hive.exec.mode.local.auto=true;
hive.exec.mode.local.auto.inputbytes.max 默认值为128M，表示加载文件的最大值，若大于该配置仍会以集群方式来运行！
并行计算(速度快)
通过设置以下参数开启并行模式：set hive.exec.parallel=true;
注意：hive.exec.parallel.thread.number 一次SQL计算中允许并行执行的job个数的最大值
严格模式下查询限制：
- 通过设置以下参数开启严格模式：
set hive.mapred.mode=strict;（默认为：nonstrict非严格模式） - 对于分区表，必须添加
where对于分区字段的条件过滤； -
order by语句(排序)必须包含limit输出限制； - 限制执行
笛卡尔积的查询。
hive> select * from psn3; // 报错❎
FAILED: SemanticException [Error 10041]: No partition predicate found for Alias "psn22" Table "psn22"
hive> select * from psn3 where age=10 and sex='man'; // ✅
hive> select * from psn order by id desc;
FAILED: SemanticException 1:27 In strict mode, if ORDER BY is specified, LIMIT must also be specified. Error enc
ountered near token 'id'
hive> select * from psn order by id desc limit 5;
开启map-reduce操作！
Hive排序
-
Order By- 对于查询结果做全排序，只允许有一个reduce处理（当数据量较大时，应慎用。严格模式下，必须结合limit来使用） -
Sort By- 对于单个reduce的数据进行排序 -
Distribute By- 分区排序，经常和Sort By结合使用 -
Cluster By- 相当于Sort By + Distribute By（可通过Cluster By不能通过asc、desc的方式指定排序规则；distribute by column sort by column asc|desc的方式）
Hive Join
-
Join计算时，将小表（驱动表）放在join的左边，执行效率高 -
Map Join：在Map端完成Join
两种实现方式：
a.SQL方式，在SQL语句中添加MapJoin标记（mapjoin hint）
SELECT /*+ MAPJOIN(smallTable) */ smallTable.key, bigTable.value FROM smallTable JOIN bigTable ON smallTable.key = bigTable.key;
b. 开启自动的MapJoin - 开启自动mapjoin：
set hive.auto.convert.join = true;（该参数为true时，Hive自动对左边的表统计量，如果是小表就加入内存，即对小表使用Map join）
相关配置参数：
-
hive.mapjoin.smalltable.filesize;（大表小表判断的阈值，如果表的size小于该值则会被加载到内存中运行） -
hive.ignore.mapjoin.hint;（默认值：true；是否忽略mapjoin hint即mapjoin标记） -
hive.auto.convert.join.noconditionaltask;（默认值：true；将普通的join转化为普通的mapjoin时，是否将多个mapjoin转化为一个mapjoin） -
hive.auto.convert.join.noconditionaltask.size;（将多个mapjoin转化为一个mapjoin时，其表的最大值）
Map-Side聚合
通过设置以下参数开启在Map端的聚合：set hive.map.aggr=true;
相关配置参数：
-
hive.groupby.mapaggr.checkinterval：map端group by执行聚合时处理的多少行数据（默认：100000） -
hive.map.aggr.hash.min.reduction：进行聚合的最小比例（预先对100000条数据做聚合，若聚合之后的数据量/100000的值大于该配置0.5，则不会聚合） -
hive.map.aggr.hash.percentmemory：map端聚合使用的内存的最大值 -
hive.map.aggr.hash.force.flush.memory.threshold：map端做聚合操作是hash表的最大可用内容，大于该值则会触发flush -
hive.groupby.skewindata：是否对GroupBy产生的数据倾斜做优化，默认为false
控制Hive中Map以及Reduce的数量
（1）Map数量相关的参数
-
mapred.max.split.size一个split的最大值，即每个map处理文件的最大值 -
mapred.min.split.size.per.node一个节点上split的最小值 -
mapred.min.split.size.per.rack一个机架上split的最小值
（2）Reduce数量相关的参数
-
mapred.reduce.tasks强制指定reduce任务的数量 -
hive.exec.reducers.bytes.per.reducer每个reduce任务处理的数据量 -
hive.exec.reducers.max每个任务最大的reduce数
Hive - JVM重用
通过set mapred.job.reuse.jvm.num.tasks=n; 来设置（n为task插槽个数）
缺点：设置开启之后，task插槽会一直占用资源，不论是否有task运行，直到所有的task即整个job全部执行完成时，才会释放所有的task插槽资源！
适用场景：
-
小文件个数过多 -
task个数过多
参考资料
Hadoop集群上搭建Hive
Hive建表并加载数据
Hive参数和动态分区
Hive分桶
Hive视图和索引
Hive运行方式和授权
网友评论