Hive常用优化方法

周末抽空搭建了一个10个节点的hadoop集群（CDH5.4.1）。

安装注意事项：做好各节点ssh等价，ntp时钟同步， 角色分配zookiper 最好独立磁盘个数为基数1,3,5  ， 做好高可用active, hue最好添加hdfs fttpfs角色，以免主备切换时hue不可用。

用途： 因为有商用的集群要升级，所以准备一个备用的集群，备份数据。保障升级失败、磁盘崩溃后，结果表不丢失。

接下来就是 两套集群的数据同步， 是不是有点像oracle 的DG？  mysql的主从复制（异步）？

任意抽查一个表就是12亿条，3亿条，这样的表有8000个左右。 

总共14T*30个节点 。当然我们只迁移其中result库中的表， 源表不要， 就剩下不到4个T的  同步。

补充：

hive优化方法：

1、join连接时的优化：当三个或多个以上的表进行join操作时，如果每个on使用相同的字段连接时只会产生一个mapreduce。

2、join连接时的优化：当多个表进行查询时，从左到右表的大小顺序应该是从小到大。原因：hive在对每行记录操作时会把其他表先缓存起来，直到扫描最后的表进行计算

3、在where字句中增加分区过滤器。

4、当可以使用left semi join 语法时不要使用inner join，前者效率更高。原因：对于左表中指定的一条记录，一旦在右表中找到立即停止扫描。

5、如果所有表中有一张表足够小，则可置于内存中，这样在和其他表进行连接的时候就能完成匹配，省略掉reduce过程。设置属性即可实现，set hive.auto.covert.join=true; 用户可以配置希望被优化的小表的大小 set hive.mapjoin.smalltable.size=2500000; 如果需要使用这两个配置可置入$HOME/.hiverc文件中。

6、同一种数据的多种处理：从一个数据源产生的多个数据聚合，无需每次聚合都需要重新扫描一次。

例如：insert overwrite table student select *　from employee; insert overwrite table person select * from employee;

可以优化成：from employee insert overwrite table student select * insert overwrite table person select *

7、limit调优：limit语句通常是执行整个语句后返回部分结果。set hive.limit.optimize.enable=true;

8、开启并发执行。某个job任务中可能包含众多的阶段，其中某些阶段没有依赖关系可以并发执行，开启并发执行后job任务可以更快的完成。设置属性：set hive.exec.parallel=true;

9、hive提供的严格模式，禁止3种情况下的查询模式。

a：当表为分区表时，where字句后没有分区字段和限制时，不允许执行。

b：当使用order by语句时，必须使用limit字段，因为order by 只会产生一个reduce任务。

c：限制笛卡尔积的查询。

10、合理的设置map和reduce数量。

11、jvm重用。可在hadoop的mapred-site.xml中设置jvm被重用的次数。