hive中使用sql查询优化

目录

SQL语句优化

count优化

count distinct 用sum...group by替换/count ... group by

将两个join的表提前filter

join 过滤掉ID为空的数据（与上面类似）

join操作时，小表关联大表

配置优化

hive-site.xml配置

动态分区：

 map阶段优化

减少map数

增大map数量

reduce阶段优化

map和reduce优化。 

MapReduce输出结果（包括中间结果）合并小文件

小文件是如何产生的

小文件问题的影响

小文件问题的解决方案 

MAP JOIN

列式存储格式减少读入文件数量

压缩格式减少读入文件数量：

引擎的选择

向量化查询执行

模式选择

JVM重用

推测执行

---

 

---

SQL语句优化

count优化

count由于只有一个reduce来统计。因此如果不优化会非常的慢。那么怎么优化那？
既然整个只产生一个reduce，那么我们就把他们分别统计，然后在统计。那么如何实现分别统计，通过group by分组。那么分组不能按照被统计的列分组。可以制造一个flag，来进行分组。
首先我们第一层：
select cast(rand() * 10 as bigint) flag,A from tablename group by A
我们记为表t1
1层使用随机数作为分组依据，同时使用group by A保证去重。

第二层，每个分组进行统计
select count(*) tc, flag  from t1 group by   flag
上面记为t2
第三层对分组结果求和。
SELECT    SUM(tc) FROM t2
整合为一个sql为：
SELECT SUM(tc) FROM (select count(*) tc, flag  from (select cast(rand() * 10 as bigint) flag,A from  tablename group by  A )t1 group by flag )t2;

count distinct 用sum...group by替换/count ... group by

select count(b.id) from (select id from a group by id)  b;
select c.a,sum(1) from (select a, b from t group by a,b) c group by a;

将两个join的表提前filter

select e.a, e.b, e.c from
     (select ... from emp where emp.filter ) e
join 
     (select ... from dept where emdeptp.filter ) d
on (e.deptno = d.deptno)

join 过滤掉ID为空的数据（与上面类似）

select n.* from (select * from nullidtable where id is not null ) n left join ori on n.id = o.id;

如果过滤有问题，可以把空ID设置成一个随机ID

select n.* from nullidtable n full join ori o on

case when n.id is null then concat('hive',rand()) else n.id=o.id;

join操作时，小表关联大表

配置优化

hive-site.xml配置

hive.fetch.task.conversion=more
more：简单查询就不走map/reduce了
minimal：任何简单select都会走map/reduce

动态分区：

启动动态分区功能
set hive.exec.dynamic.partition=true;
采用动态方式加载数据到目标表 加载之前先设置一下下面的参数
set hive.exec.dynamic.partition.mode=nonstrict
动态加载数据
insert into dynamic_partition_table partition(deptno) select  ... from emp;
删除分区
ALTER TABLE my_partition_test_table DROP IF EXISTS PARTITION (day='2018-08-08');

 map阶段优化

mapred.min.split.size: 指的是数据的最小分割单元大小；min的默认值是1B
mapred.max.split.size: 指的是数据的最大分割单元大小；max的默认值是256MB
通过调整max可以起到调整map数的作用，减小max可以增加map数，增大max可以减少map数。
需要提醒的是，直接调整mapred.map.tasks这个参数是没有效果的。

减少map数

当小文件过多，业务不太复杂，（输入端）合并小文件，到达减少map个数

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;

大概解释一下，
100000000表示100M,
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;这个参数表示执行前进行小文件合并，前面三个参数确定合并文件块的大小，大于文件块大小128m的，按照128m来分隔，小于128m,大于100m的，按照100m来分隔，把那些小于100m的（包括小文件和分隔大文件剩下的），进行合并,最终生成了74个块。

增大map数量

文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数
假设有这样一个任务：
   Select data_desc,
          count(1),
          count(distinct id),
          sum(case when …),
          sum(case when ...),
          sum(…)
  from a group by data_desc
如果表a只有一个文件，大小为120M，但包含几千万的记录，如果用1个map去完成这个任务， 肯定是比较耗时的，这种情况下，我们要考虑将这一个文件合理的拆分成多个， 这样就可以用多个map任务去完成。
set mapred.reduce.tasks=10;
create table a_1 as select * from a distribute by rand(10);
 这样会将a表的记录，随机的分散到包含10个文件的a_1表中，再用a_1代替上面sql中的a表，

reduce阶段优化

Reduce的个数对整个作业的运行性能有很大影响。
如果Reduce设置的过大，那么将会产生很多小文件，对NameNode会产生一定的影响，而且整个作业的运行时间未必会减少;
如果Reduce设置的过小，那么单个Reduce处理的数据将会加大，很可能会引起OOM异常。
1、如果设置了mapred.reduce.tasks/mapreduce.job.reduces参数，那么Hive会直接使用它的值作为Reduce的个数；
2、如果没有设置，那么Hive会 根据输入文件的大小估算出Reduce的个数。根据输入文件估算Reduce的个数可能未必很准确，因为Reduce的输入是Map的输出，而Map的输出可能会比输入要小， 所以最准确的数根据Map的输出估算Reduce的个数。

2.1、 不指定reduce个数的情况下，Hive自己如何确定reduce数，基于以下两个设定：
hive.exec.reducers.bytes.per.reducer（每个reduce任务处理的数据量，默认为1000^3=1G） 
hive.exec.reducers.max（每个任务最大的reduce数，默认为999） 
计算reducer数的公式很简单N=min(参数2，总输入数据量/参数1) 
即，如果reduce的输入（map的输出）总大小不超过1G,那么只会有一个reduce任务； 

解决方法：
1、调整reduce个数方法一：
调整hive.exec.reducers.bytes.per.reducer参数的值； 
set hive.exec.reducers.bytes.per.reducer=500000000; （500M） 
select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt; 这次有20个reduce

2、调整reduce个数方法二； 
set mapred.reduce.tasks = 15; 
select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt;这次有15个reduce

3、reduce个数并不是越多越好； 
同map一样，启动和初始化reduce也会消耗时间和资源； 
另外，有多少个reduce,就会有多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入， 
则也会出现小文件过多的问题； 

4、 什么情况下只有一个reduce； 
很多时候你会发现任务中不管数据量多大，不管你有没有设置调整reduce个数的参数，任务中一直都只有一个reduce任务； 其实只有一个reduce任务的情况，除了数据量小于hive.exec.reducers.bytes.per.reducer参数值的情况外，还有以下原因：
a)、没有group by的汇总
   把     select pt,count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’ group by pt; 
   写成 select count(1) from popt_tbaccountcopy_mes where pt = ‘2012-07-04’; 
b)、用了Order by 
c)、有笛卡尔积 

在设置reduce个数的时候也需要考虑这两个原则：
使大数据量利用合适的reduce数；
使单个reduce任务处理合适的数据量；

map和reduce优化。 

MapReduce输出结果（包括中间结果）合并小文件

小文件是如何产生的

1.动态分区插入数据，产生大量的小文件，从而导致map数量剧增。
2.reduce数量越多，小文件也越多(reduce的个数和输出文件是对应的)。
3.数据源本身就包含大量的小文件。

小文件问题的影响

1、小文件会开很多map，一个map开一个JVM去执行，所以这些任务的初始化，启动，执行会浪费大量的资源，严重影响性能。
2、在HDFS中，每个小文件对象约占150byte，如果小文件过多会占用大量内存。这样NameNode内存容量严重制约了集群的扩展。

小文件问题的解决方案 

从源头上控制小文件数量
1.使用Sequencefile作为表存储格式，不要用textfile，在一定程度上可以减少小文件。
2.减少reduce的数量(可以使用参数进行控制)。
3.少用动态分区，用时记得按distribute by分区。

对于已有的小文件，我们可以通过以下几种方案解决：
1.使用hadoop archive命令把小文件进行归档。
2.重建表，建表时减少reduce数量。
3.通过参数进行调节，设置map/reduce端的相关参数，如下：

设置map输入合并小文件的相关参数：

//每个Map最大输入大小(这个值决定了合并后文件的数量) 
set mapred.max.split.size=256000000; 
//一个节点上split的至少的大小(这个值决定了多个DataNode上的文件是否需要合并) 
set mapred.min.split.size.per.node=100000000; 
//一个交换机下split的至少的大小(这个值决定了多个交换机上的文件是否需要合并) 
set mapred.min.split.size.per.rack=100000000; 
//执行Map前进行小文件合并 
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

设置map输出和reduce输出进行合并的相关参数： 

//设置map端输出进行合并，默认为true 
set hive.merge.mapfiles = true 
//设置reduce端输出进行合并，默认为false 
set hive.merge.mapredfiles = true 
//设置合并文件的大小 
set hive.merge.size.per.task = 256*1000*1000 
//当输出文件的平均大小小于该值时，启动一个独立的MapReduce任务进行文件merge。 
set hive.merge.smallfiles.avgsize=16000000

是否合并Map输出文件：hive.merge.mapfiles=true（默认值为真）
是否合并Reduce 端输出文件：hive.merge.mapredfiles=false（默认值为假）
合并文件的大小：hive.merge.size.per.task=256*1000*1000（默认值为 256000000）

MAP JOIN

MapJoin简单说就是在Map阶段将小表读入内存，顺序扫描大表完成Join。 

MapJoin分为两个阶段： 
（1）通过MapReduce Local Task，将小表读入内存，生成HashTableFiles上传至Distributed Cache中，这里会对HashTableFiles进行压缩。 
（2）MapReduce Job在Map阶段，每个Mapper从Distributed Cache读取HashTableFiles到内存中，顺序扫描大表，在Map阶段直接进行Join，将数据传递给下一个MapReduce任务。 
也就是在map端进行join避免了shuffle。 

列式存储格式减少读入文件数量

可以使用列裁剪，分区裁剪，orc，parquet等存储格式

压缩格式减少读入文件数量：

大数据场景下存储格式压缩格式尤为关键，可以提升计算速度，减少存储空间，降低网络io，磁盘io，所以要选择合适的压缩格式和存储格式

引擎的选择

设置hive.execution.engine = tez;

向量化查询执行

向量化查询执行通过一次性批量执行1024行而不是每次单行执行，从而提高扫描，聚合，筛选器和连接等操作的性能。
在Hive 0.13中引入，此功能显着提高了查询执行时间，并可通过两个参数设置轻松启用：
设置hive.vectorized.execution.enabled = true;
设置hive.vectorized.execution.reduce.enabled = true;

模式选择

•  本地模式 

对于大多数情况，Hive可以通过本地模式在单台机器上处理所有任务。 
对于小数据，执行时间可以明显被缩短。通过set hive.exec.mode.local.auto=true（默认为false）设置本地模式。 
set hive.exec.mode.local.auto; 
hive.exec.mode.local.auto=false

• 并行模式

Hive会将一个查询转化成一个或者多个阶段。这样的阶段可以是MapReduce阶段、抽样阶段、合并阶段、limit阶段。 
默认情况下，Hive一次只会执行一个阶段，由于job包含多个阶段，而这些阶段并非完全互相依赖， 
即：这些阶段可以并行执行，可以缩短整个job的执行时间。设置参数：set hive.exec.parallel=true,或者通过配置文件来完成。 
set hive.exec.parallel; 
hive.exec.parallel=false

• 严格模式

Hive提供一个严格模式，可以防止用户执行那些可能产生意想不到的影响查询，通过设置 
Hive.mapred.modestrict来完成 
set Hive.mapred.modestrict; 
Hive.mapred.modestrict is undefined

JVM重用

Hadoop通常是使用派生JVM来执行map和reduce任务的。这时JVM的启动过程可能会造成相当大的开销， 
尤其是执行的job包含偶成百上千的task任务的情况。JVM重用可以使得JVM示例在同一个job中时候使用N此。 
通过参数mapred.job.reuse.jvm.num.tasks来设置

推测执行

Hadoop推测执行可以触发执行一些重复的任务，尽管因对重复的数据进行计算而导致消耗更多的计算资源， 
不过这个功能的目标是通过加快获取单个task的结果以侦测执行慢的TaskTracker加入到没名单的方式来提高整体的任务执行效率。

Hadoop的推测执行功能由2个配置控制着，通过mapred-site.xml中配置
mapred.map.tasks.speculative.execution=true
mapred.reduce.tasks.speculative.execution=true