1.MapJoin
set hive.auto.convert.join=true;
hive.mapjoin.smalltable.filesize默认值是25mb
如果不指定MapJoin或者不符合MapJoin的条件,那么Hive解析器会将Join操作转换成Common Join,即:在Reduce阶段完成join。容易发生数据倾斜。可以用MapJoin把小表全部加载到内存在map端进行join,避免reducer处理。
2.采用分桶技术
分桶是对数据垂直切分,字段是实字段,适合易于垂直切分的,比如 班级
3.采用分区技术
分区是对数据水平切分,字段是个虚字段,适合的场景是完全水平切分的,比如国家,省市。
4.合理设置Map数
(1)通常情况下,作业会通过input的目录产生一个或者多个map任务。
主要的决定因素有:input的文件总个数,input的文件大小,集群设置的文件块大小。
(2)不是map数越多越好。
如果一个任务有很多小文件(远远小于块大小128m),则每个小文件也会被当做一个块,用一个map任务来完成,而一个map任务启动和初始化的时间远远大于逻辑处理的时间,就会造成很大的资源浪费。而且,同时可执行的map数是受限的。
(3)是不是保证每个map处理接近128m的文件块就可以。
不是。比如有一个127m的文件,正常会用一个map去完成,但这个文件只有一个或者两个小字段,却有几千万的记录,如果map处理的逻辑比较复杂,用一个map任务去做,肯定也比较耗时。
针对上面的问题2和3,我们需要采取两种方式来解决:即减少map数和增加map数;
5.小文件进行合并
在Map执行前合并小文件,减少Map数:CombineHiveInputFormat具有对小文件进行合并的功能(系统默认的格式),
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat。
jvm重用。
6.合理设置Reduce数
reduce个数问题
(1)过多的启动和初始化Reduce也会消耗时间和资源;
(2)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;
在设置Reduce个数的时候也需要考虑这两个原则:处理大数据量利用合适的Reduce数;使单个Reduce任务处理数据量大小要合适;
7.输出合并小文件
SET hive.merge.mapfiles = true; -- 默认true,在map-only任务结束时合并小文件
SET hive.merge.mapredfiles = true; -- 默认false,在map-reduce任务结束时合并小文件
SET hive.merge.size.per.task = 268435456; -- 默认256M
SET hive.merge.smallfiles.avgsize = 16777216; -- 当输出文件的平均大小小于该值时,启动一个独立的map-reduce任务进行文件merge
8.hive sql优化
(1)join优化
set hive.optimize.skewjoin=true;
set hive.skewjoinkey=100000; --这个是join键对应的条数超过这个值则会进行优化(多一个job)
(2)groupby优化
hive.groupby.skewindata=true; --goupby过程出现倾斜,设为true
set hive.groupby.mapaggr,checkinterval=100000; --groupby 键记录条数超过100000则进行优 化(多一个job)
(3)count distinct优化
select count(1) from (selecy distinct id from a) temp;
select count(1) from (select id from a group by id) tmp;
(4)针对多个count,优化(union all)
(5)行列过滤
列处理:在SELECT中,只拿需要的列,如果有,尽量使用分区过滤,少用SELECT *。
行处理:在分区剪裁中,当使用外关联时,如果将副表的过滤条件写在Where后面,那么就会先全表关联,之后再过滤。 所以要将过滤写在里面。
(6)压缩数据
中间压缩,处理hive查询的多个job之间的数据:
set hive.exec.compress.intermediate=true;
set hive.intermediate.compression.code=org.apache.hadoop.io.compress.SnappyCodec;
set hive.intermediate.compression.type=BLOCK;
hive最终的输出压缩:
set hive.exec.compress.output=true;
set mapred.output.compression.code=org.apache.hadoop.io.compress.GzipCodec;
set mapred.output.compression.type=BLOCK;