Hive语法优化之分组聚合优化
优化说明
Hive中未经优化的分组聚合,是通过一个MapReduce Job实现的。Map端负责读取数据(Select Operator读; Reduce Output Operator取),然后按照分组字段分区,通过Shuffle,将数据发往Reduce端,各Map读取的数据在Reduce端聚合(Group by Operator),最终得到结果。
未优化的一个分组聚合执行计划如下:
很明显,未经优化的Map端如果没有聚合,会输出大量数据走Shuffle,会拉低程序执行效率。
英语生词说明:
stage [steɪdʒ] n.阶段,时期
operator [ˈɒpəreɪtə(r)] n.操作器,操作员
table [ˈteɪb(ə)l] n.桌子,表格
scan [skæn] v.扫描,浏览
而Hive对分组聚合的优化主要围绕着减少Shuffle数据量进行,具体做法就是在Map端(map-side)聚合。所谓map-side聚合,就是在map端维护一个hash table,利用其完成部分的聚合,然后将部分聚合的结果,按照分组字段分区,发送至Reduce端,完成最终的聚合。map-side聚合能有效减少Shuffle的数据量,从而提高分组聚合运算的效率。
优化后的一个