hive工作中用到的一些优化策略

1、hive抓取策略

• hive.fetch.task.conversion = more/none
  more不走mr，none走mr

2、explain 显示执行计划

3、设置本地运行模式

• set hive.exec.mode.local.auto = true
• hive.exec.mode.local.inputbytes.max 默认128M，表示加载文件的最大值，若大于该配置仍会以集群方式运行

4、并行计算

• Set hive.exec.parallel = true/falses
• Set hive.exec.parallel.thread.number 默认8个

5、严格模式

• set hive.mapred.mode = strict/nonstrict
• 限制查询：
  对于分区表，必须添加where对于分区字段的过滤条件
  order by语句必须包含limit输出限制
  限制执行笛卡尔积的查询

6、hive排序

• order by：对于查询结果做全排序，只允许一个reduce处理（当数据量较大时，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
  • cluster by不能通过asc、desc的方式指定排序顺序，可通过distribute by column sort by column asc|desc的方式

7、hive join

• join计算时，将小表（驱动表）放在join的左边
• Map join：在map端完成join
  • SQL方式：在sql语句中添加map join的标记(mapjoin hint)
    • 语法：select /* MAPJOIN(b) */ a.key, a.value from a join b on a.key = b.key
  • 自动的mapjion
    • 通过以后配置启用自动的mapjion
      • set hive.auto.convert.join = true （为true时，hive自动对左边的表统计量，如果时小表就加入内存，即对小表启动mapjion）
      • hive.mapjion.smalltable.filesize 默认25M
      • Hive.ignore.mapjion.hint 是否忽略maojoin hint的标记
• 尽可能使用相同的连接键（转化为一个mr）
• 大表join大表 （不一定有用）
  • 空key过滤：有时join超时是因为某些key对应的数据太多，而相同key对应的数据都会发送到相同的reducer上，从而导致内存不够。此时我们应该仔细分析这些异常的key，很多情况下，这些key对应的数据是异常数据，我们需要在SQL语句中进行过滤。
  • 空key转换：有时虽然某个key为空对应的数据很多，但是相应的数据不是异常数据，必须要包含在join的结果中，此时我们可以表a中key为空的字段赋一个随机的值，使得数据随机均匀地分不到不同的reducer上

8、map-side聚合

• 通过设置参数开启map端的聚合：set hive.map.aggr=true
• hive.groupby.mapaggr.checkinterval —map端gourp 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的值大于配置的0.5，则不会聚合）
• hive.map.aggr.hash.percentmemory —map端聚合使用的内存最大值
• hive.map.aggr.hash.force.flush.memory.threshold —map端做聚合操作时hash表的最大可用内容，大于该值出发flush
• hive.groupby.skewindata — 是否对groupby产生的数据倾斜做优化。默认false

9、合并小文件 文件数据小，容易在文件存储端造成压力，给hdfs造成压力，影响效率

• 设置合并属性
  • 是否合并map输出文件：hive.merge.mapfiles=true
  • 是否合并reduce输出文件：hive.merge.mapredfiles=true
  • 合并文件的大小：hive.merge.size.per.task=25610001000

10、去重统计：数据量小的时候无所谓，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，就会导致整个Job很难完成，一般COUNT DISTINCT使用先GROUP BY再COUNT的方式替换

11、控制hive中map以及reduce的数量

• Map数量相关的参数
  * mapred.max.split.size 每个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

• educe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.reduce 每个reduce任务处理的数据量
  * hive.exec.reduce.max 每个任务最大的reduce书

13、hive-JVM重用

• 适用场景
  * 小文件个数过多
  * task个数过多

• 通过set mapred.job.reuse.jvm.num.tasks=n来设置

• 缺陷：设置开启之后，task插槽会一直占用资源，无论是否有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插槽的资源