hive 调优总结

一、join优化

　　做join之前对数据进行预处理，减少参加join的数据量，把数据量少的表放入内存中，制作map端的join

　　应该将条目少的表/子查询放在 Join 操作符的左边。原因是在 Join 操作的 Reduce 阶段，位于 Join 操作符左边的表的内容会被加载进内存，将条目少的表放在左边，可以有效减少发生内存溢出错误的几率。

　　Join查找操作中如果存在多个join，且所有参与join的表中其参与join的key都相同，则会将所有的join合并到一个mapred程序中。

　　SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)  在一个mapre程序中执行join

　　SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)   在两个mapred程序中执行join

　　Map join的关键在于join操作中的某个表的数据量很小

　　SELECT /*+ MAPJOIN(b) */ a.key, a.value

　　FROM a join b on a.key = b.key 

　　Mapjoin 的限制是无法执行a FULL/RIGHT OUTER JOIN b，和map join相关的Hive参数：

hive.join.emit.interval 
hive.mapjoin.size.key 
hive.mapjoin.cache.numrows

　　由于join操作是在where操作之前执行，所以当你在执行join时，where条件并不能起到减少join数据的作用；

　SELECT a.val, b.val FROM a LEFT OUTER JOIN b ON (a.key=b.key)

　WHERE a.ds='2009-07-07' AND b.ds='2009-07-07'

　最好修改为：

　SELECT a.val, b.val FROM a LEFT OUTER JOIN b

　ON (a.key=b.key AND b.ds='2009-07-07' AND a.ds='2009-07-07')

　　在join操作的每一个mapred程序中，hive都会把出现在join语句中相对靠后的表的数据stream化，相对靠前的变的数据缓存在内存中。当然，也可以手动指定stream化的表：

SELECT /*+ STREAMTABLE(a) */ a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)

 

二、group by 优化

group by分组会很容易出现数据不均匀的情况，这就会造成每个任务的工作量差异太大，也就是数据倾斜：

　　Map端聚合，首先在map端进行初步聚合，最后在reduce端得出最终结果，相关参数：

　　· hive.map.aggr = true是否在 Map 端进行聚合，默认为 True

　　· hive.groupby.mapaggr.checkinterval = 100000在 Map 端进行聚合操作的条目数目

　　数据倾斜聚合优化，设置参数hive.groupby.skewindata = true，当选项设定为 true，生成的查询计划会有两个 MR Job。第一个 MR Job 中，Map 的输出结果集合会随机分布到 Reduce 中，每个 Reduce 做部分聚合操作，并输出结果，这样处理的结果是相同的 Group By Key 有可能被分发到不同的 Reduce 中，从而达到负载均衡的目的；第二个 MR Job 再根据预处理的数据结果按照 Group By Key 分布到 Reduce 中（这个过程可以保证相同的 Group By Key 被分布到同一个 Reduce 中），最后完成最终的聚合操作。

简单来说就是设置参数hive.groupby.skewindata = true

会生成两个查询计划

1、把map结果随机分配到reduce

2、在第一步的结果上group by

 

三、合并小文件

　　文件数目过多，会给 HDFS 带来压力，并且会影响处理效率，可以通过合并 Map 和 Reduce 的结果文件来消除这样的影响：

　　· hive.merge.mapfiles = true是否和并 Map 输出文件，默认为 True

　　· hive.merge.mapredfiles = false是否合并 Reduce 输出文件，默认为 False

　　· hive.merge.size.per.task = 256*1000*1000合并文件的大小

四、Hive实现(not) in

　　通过left outer join进行查询,（假设B表中包含另外的一个字段 key1 

select a.key from a left outer join b on a.key=b.key where b.key1 is null

　　通过left semi join 实现 in

SELECT a.key, a.val FROM a LEFT SEMI JOIN b on (a.key = b.key)

　　Left semi join 的限制：join条件中右边的表只能出现在join条件中。

五、排序优化

order by 所有数据放在reduce进行全局排序会造成排序慢

解决办法

 

1、在最终结果排序

2、先分组distribute by，现在组内分组sort by，然后再order by

　　Order by 实现全局排序，一个reduce实现，效率低

　　Sort by 实现部分有序，单个reduce输出的结果是有序的，效率高，通常和DISTRIBUTE BY关键字一起使用（DISTRIBUTE BY关键字 可以指定map 到 reduce端的分发key）

　　CLUSTER BY col1 等价于DISTRIBUTE BY col1 SORT BY col1

六、使用分区

　　Hive中的每个分区都对应hdfs上的一个目录，分区列也不是表中的一个实际的字段，而是一个或者多个伪列，在表的数据文件中实际上并不保存分区列的信息与数据。Partition关键字中排在前面的为主分区（只有一个），后面的为副分区

　　静态分区：静态分区在加载数据和使用时都需要在sql语句中指定

　　案例：(stat_date='20120625',province='hunan')

　　动态分区：使用动态分区需要设置hive.exec.dynamic.partition参数值为true，默认值为false，在默认情况下，hive会假设主分区时静态分区，副分区使用动态分区；如果想都使用动态分区，需要设置set hive.exec.dynamic.partition.mode=nostrick，默认为strick

　　案例：(stat_date='20120625',province)

七、Distinct 使用

　　Hive支持在group by时对同一列进行多次distinct操作，却不支持在同一个语句中对多个列进行distinct操作。

八、Hql使用自定义的mapred脚本

　　注意事项：在使用自定义的mapred脚本时，关键字MAP REDUCE 是语句SELECT TRANSFORM ( ... )的语法转换，并不意味着使用MAP关键字时会强制产生一个新的map过程，使用REDUCE关键字时会产生一个red过程。

　　自定义的mapred脚本可以是hql语句完成更为复杂的功能，但是性能比hql语句差了一些，应该尽量避免使用，如有可能，使用UDTF函数来替换自定义的mapred脚本

九、UDTF

　　UDTF将单一输入行转化为多个输出行，并且在使用UDTF时，select语句中不能包含其他的列，UDTF不支持嵌套，也不支持group by 、sort by等语句。如果想避免上述限制，需要使用lateral view语法，案例：

select a.timestamp, get_json_object(a.appevents, '$.eventid'), get_json_object(a.appenvets, '$.eventname') from log a;

select a.timestamp, b.*

from log a lateral view json_tuple(a.appevent, 'eventid', 'eventname') b as f1, f2;

　　其中，get_json_object为UDF函数，json_tuple为UDTF函数。

　　UDTF函数在某些应用场景下可以大大提高hql语句的性能，如需要多次解析json或者xml数据的应用场景。

十、聚合函数count和sum

　　Count和sum函数可能是在hql语句中使用的最为频繁的两个聚合函数了，但是在hive中count函数在计算distinct value时支持加入条件过滤。