Hive优化笔记
1.hive参数优化
1.1 map个数优化
map的个数是如何决定的：
mapred.min.split.size: 数据的最小分割单元大小，默认值是1B mapred.max.split.size: 数据的最大分割单元大小，默认值是256MB
一个文件在执行数据处理的时候，被分成文件的个数如下：
if(一个文件的大小 <= mapred.max.split.size) {
该文件生成一个map} else {
一个文件的产生的map的个数 = (文件大小 / mapred.max.split.size) + 1}1.1.1 减少map个数：
set mapred.max.split.size=256000000; // -- 决定每个map处理的最大的文件大小 单位为Bset mapred.min.split.size.per.node=100000000;//每个节点处理的最小splitset mapred.min.split.size.per.rack=100000000;//每个机架处理的最小slitset hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;// 默认开启1.文件大于256MB的进行分割；2.那些小于256MB的（包括分割大文件剩下的）进行合并；
备注：
a.四个参数的配置结果大小要满足如下关系。max.split.size >= min.split.size >= min.size.per.node >= min.size.per.node
b.四个参数的作用优先级分别如下max.split.size <= min.split.size <= min.size.per.node <= min.size.per.node
1.1.2 增加map的个数
a.调节mapred.max.split.size的大小可以达到调整map个数的效果，直接调整mapred.map.tasks这个参数是没有效果的。
b.拆分文件
如果一个文件为100MB，属性字段很少，结果数据量却很大（如1000万），使用a方案任然生成一个map，那么可以手动将文件拆分成多个。
set mapred.reduce.tasks=100; create table tableName_1 as select * from tableName t distribute by rand(t.name);
set mapred.max.split.size=100000000;set mapred.min.split.size.per.node=100000000;set mapred.min.split.size.per.rack=100000000;set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
1.2 reduce个数优化
多少个reduce产生多少个输出文件，reduce个数过大会产生过多的小文件，reduce的启动和销毁也会带来消耗；reduce个数过小，单个reduce处理的数据量过大会导致OOM。
set mapred.reduce.tasks/mapreduce.job.reduces=100set hive.exec.reducers.bytes.per.reducer = 256123456// 每个reduce处理的数据量，默认为1GBset hive.exec.reducers.max=1009 // 每个任务最大的reduce数，默认为1009//如果不设置，hive会根据输入文件估算reduce的个数
2.压缩优化
hive底层使用mapreduce来实现，而mapreduce的中间过程都需要落入磁盘，消耗大量的网络IO和磁盘IO，因此针对IO密集型job，通过增加CPU资源消耗来降低IO资源的消耗，达到提高性能的目的。
压缩方式：
| 序号 | 压缩格式 | 是否可split | 是否自带 | 压缩率 | 速度 | 是否Hadoop自带 | 对应class |
|---|---|---|---|---|---|---|---|
| 1 | gzip | 否 | 是 | 很高 | 比较快 | 是 | org.apache.hadoop.io.compress.GzipCodec |
| 2 | lzo | 是 | 是 | 比较高 | 很快 | 否，需要安装 | org.apache.hadoop.io.compress.LzoCodec |
| 3 | snappy | 否 | 是 | 比较高 | 很快 | 否，需要安装 | org.apache.hadoop.io.compress.SnappyCodec |
| 4 | bzip2 | 是 | 否 | 最高 | 慢 | 是 | org.apache.hadoop.io.compress.BZip2Codec |
3.存储优化
| 序号 | 存储格式 | 行列方式 | 说明 |
|---|---|---|---|
| 1 | TextFile | 行式存储 | |
| 2 | Sequence Files | 行式存储 | 支持Block压缩 |
| 3 | RCFile | 按行分块，按列存储 | 结合了行存储和列存储的优点 |
| 4 | ORCFile | 按行分块，按列存储 | RCFile的改良版本 |
| 5 | parquet | 行式存储 |
一般选择ORCFile/parquet + snappy 的方式
4.表结构
4.1 内部表和外部表
创建表的时候指定external就是外部表，否则就是内部表。
| 序号 | 表类型 | 管理方 | 数据存储位置 | 元数据 | 修改表结构 |
|---|---|---|---|---|---|
| 1 | 内部表 | Hive自身管理 | /user/hive/warehouse | 内部表删除后元数据和数据都删除 | 直接同步到元数据 |
| 2 | 外部表 | HDFS管理 | 用户自己通过location指定 | 外部表删除后只删除元数据，不删除hdfs数据 | 需要msck repair table tableName 进行同步到元数据 |
4.2 静态分区和动态分区
静态分区在建表的时候通过PARTITIONED BY定义分区，alter table 添加和删除分区
动态分区：
set hive.exec.dynamic.partition=true;set hive.exec.dynamic.partition.mode=nonstrict;
4.2 分桶
分桶通过指定列的数据取hash值将数据进行划分，相同的数据划分到一个桶里，从而减少数据访问量，提高查询效率。
set hive.enforce.bucketing = true CLUSTERED BY (id) INTO 200 BUCKETS //分桶的列id是表中已有的列
5.sql优化
5.1 小表放到join左边：
将数据量小的表或子查询放在join的左边，因为join操作的reduce阶段，将join左边的表的内容加载进内存，因此将数据量小的表放在左边，可以提高效率，一定程度避免OOM。
5.2 过滤放到关联之前
列过滤：只select需要的字段
行过滤：过滤条件放到子查询里
5.3 开启mapjoin
set hive.auto.convert.join = trueset hive.mapjoin.smalltable.filesize=25123456 // 触发mapjoin的小文件大小的阈值
不指定mapjoin开启的情况，hive会把所有join转换为common join，即mapreduce的时候执行join，可以使用mapjoin将小文件的整个数据加载到内存，在map端进行join，避免reduce处理，一定程度上避免了数据倾斜。
5.4 开启map端聚合
默认情况下，map阶段同一key数据分发给一个reduce，当一个key数据过大时就倾斜了。不是所有的聚合操作都必须在reduce端完成，很多聚合操作都可以先在Map端进行部分聚合，最后在reduce端得出最终结果。
set hive.map.aggr = true; // 默认true set hive.groupby.mapaggr.checkinterval = 100000; // 在Map端进行聚合操作的条目数目 set hive.groupby.skewindata = true; // 有数据倾斜的时候进行负载均衡，默认false
5.5 使用先GROUP BY再COUNT的方式替换COUNT DISTINCT
数据量大的情况下，由于COUNT DISTINCT操作需要用一个reduce task来完成，这一个reduce需要处理的数据量太大，容易产生倾斜问题。
5.6 查看执行计划
explain sql // 查看执行计划explain extended // 查看详细执行计划
6.其他优化
6.1 Fetch抓取
fetch抓取开启一定程度上可以避免触发mapreduce，主要针对全局查找（select *），字段查找(select field)，limit(limit 100)等
开启方式：
set hive.fetch.task.conversion=more //关闭:none, 开启（默认）：more
6.2 执行模式
6.2.1 本地模式
set hive.exec.mode.local.auto=true
主要针对小数据量和测试使用，即在单台机器上处理所有任务，避免在Hadoop集群上启动耗时的问题。
6.2.2 并行模式
set hive.exec.parallel=true //或者通过配置文件来完成，非相互依赖的阶段并行执行，否则默认情况下，Hive一次只会执行一个阶段。
6.2.3 严格模式
set hive.mapred.mode=strict // 默认关闭
对于分区表，禁止不指定分区查询
order by 必须有limit
禁止笛卡尔积查询
6.3 JVM重用
set mapred.job.reuse.jvm.num.tasks=15;
JVM重用可以使得JVM实例在同一个job中重新使用N次，N值可配置，通常在10~20之间，也可在mapred-site.xml文件中。
<property> <name>mapreduce.job.jvm.numtasks</name> <value>15</value> </property>
作者：zhglance
链接：https://www.jianshu.com/p/8d2b1e3e2393