【大数据面试题】012 谈谈 Hive 性能优化常用的方法

一步一个脚印，一天一道面试题

• 数据分区和分桶：合适的分区和分桶能减少数据量的输入

• 合适的数据格式：Parquet，ORC 是可以减少 I/O ，网络传输速率等的

• 列裁剪：一般不要使用 SELECT *，只获取真正需要的列

• 文件合并：使用 INSERT OVERWRITE 可以减少小文件数量，提高效率

• 数据过滤：使用 WHERE 过滤，简单却有效

• 并行度设置：合理的并行度设置可以更好的利用集群性能，否则可能会“有力使不出”或“杀鸡用牛刀”的情况

• 数据本地化和 JOIN 化：尽量在本地节点做更多的操作，减少网络传输等开销，比如使用 mapjoin；

• 定期收集统计信息：ANALYZE TABLE 收集表的信息，可以让优化器更可能做出更好的查询计划；