hive两大表关联优化试验

呼叫结果(call_result)与销售历史(sale_history)的join优化：
CALL_RESULT: 32亿条/444G SALE_HISTORY:17亿条/439G

• 原逻辑
  Map: 3255 Reduce: 950 Cumulative CPU: 238867.84 sec HDFS Read: 587550313339 HDFS Write: 725372805057 SUCCESS 28.1MIN

• 开启中间结果压缩
  set hive.exec.compress.intermediate=true;
set mapred.map.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec

  Map: 3255 Reduce: 950 Cumulative CPU: 268479.06 sec HDFS Read: 587548211067 HDFS Write: 725372805057 SUCCESS 31.6MIN
  从结果看cpu的耗时增加，这是压缩解压缩过程的消耗；HDFS读取量略有减少，可能是因为源表是RCFile存储，本身已经压缩导致，因此整体时间上没有明显减少。

• 开启中间和最终压缩
  set hive.exec.compress.intermediate=true;
set mapred.map.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec
set hive.exec.compress.output=true;
set mapred.output.compression.codec=org.apache.hadoop.io.compress.GZipCodec

  Map: 3255 Reduce: 950 Cumulative CPU: 264034.27 sec HDFS Read: 587546058107 HDFS Write: 136021543504 SUCCESS 24.7MIN
  从结果看HDFS write明显减少近6倍，整体运行时间有所降低

• 设置map数量减少一倍
  set mapred.max.split.size=512000000
  Map: 1684 Reduce: 950 Cumulative CPU: 191656.39 sec HDFS Read: 585689265249 HDFS Write: 725372805057 SUCCESS 22.9MIN
  map数减少一倍后，消耗cpu资源减少；整体运行时间略有下降

• 只开启JVM重用(10)
  set mapred.job.reuse.jvm.num.tasks=10;
  Map: 3255 Reduce: 950 Cumulative CPU: 259683.41 sec HDFS Read: 587550076795 HDFS Write: 725372805057 SUCCESS 28.9MIN
  CPU开销增加，总运行时间没有变化

• 减少map数并设置JVM重用(10)
  Map: 1684 Reduce: 950 Cumulative CPU: 223036.3 sec HDFS Read: 585692215905 HDFS Write: 725372805057 SUCCESS 29.4MIN 效果不大

• 减少map数并开启压缩
  Map: 1684 Reduce: 950 Cumulative CPU: 251331.5 sec HDFS Read: 585697165921 HDFS Write: 136021488023 SUCCESS 26.1MIN
  开启中间压缩，对于输入数据量有少许减少，但是cpu开销增大，对于单stage任务总体不理想

• 减少map数并开启最终压缩
  Map: 1687 Reduce: 951 Cumulative CPU: 234941.99 sec HDFS Read: 586512467704 HDFS Write: 136164828062 SUCCESS 24.8MIN
  只开启结果压缩，cpu资源消耗较之前有所减少，写入数据量明显降低，性能有提升

总体来看，效果都不明显；hive默认使用reduce side join，当两个表中有一个较小的时候可以考虑map join ，但这两个表都是大表，可以尝试使用bucket map join；基本处理方法是将两个表在join key上做hash bucket，将较小表（sale_history）的bucket设置为较大表（call_result）的数倍。这样数据就会按照join key做hash bucket。这样做的话，小表依然会复制到各个节点上，map join的时候，小表的每一组bucket加载成hashtable，与对应的大表bucket做局部join。
如果两表的join key 都具有唯一性（是主键关联），还可以进一步做sort merge bucket map join ；做法是两表都做bucket的基础上，每个bucket内部还要进行排序，这样做得好处就是在两边的bucket要做局部join的时候，用类似merge sort算法中的merge操作一样把两个bucket顺序遍历一下即可。
然而以上两种方法经过测试依然没有太好的性能表现；稳定在20min之内已经不错了，又要考虑从源库抽取数据如何保留等问题，最终无法采用，后经过和业务系统沟通，两表每天数据量巨大，业务系统不会更新历史数据，每个表当天的数据是一一对应的，即当天的呼叫和销售历史是对应的，因此将程序优化为当天增量数据关联，数据下降几个数量级，自然不存在性能问题；
所以，优化无止境，不一定非技术手段不可，首先基于业务逻辑做优化，要做到业务与技术相结合。

参考：
《hive编程指南》
http://www.csdn.net/article/2015-01-13/2823530