所谓hive中的谓词下推指的是:
hive中join操作:如果直接两个表进行join,在最后再进行两个表的where条件过滤,这样的话实际上hive会将两个表先join起来,最后join出来的大表再进行where筛选,这样的话导致了全表join并且效率低下:
如下:
select a.id,a.value1,b.value2 from table1 a
left outer join table2 b on a.id=b.id
where b.ds>='20181201' and b.ds<'20190101'
and a.ds>='20181201' and a.ds<'20190101'
效率很低并且占用集群性能!!
但是我们在hive的join查询的时候,先将每个表的数据进行筛选,筛选完了之后的数据在进行join这样,join两端的表数据量就相对变得很少了,提升了效率,也比变了占用更多的集群资源。
采取的方式是:
select a.id,a.value1,b.value2 from
(select * from table1 ss where ss.ds>='20181201' and ss.ds<'20190101' ) a
left outer join
(select * from table2 ss where ss.ds>='20181201' and ss.ds<'20190101' ) b
on a.id=b.id
--后期再学习spark的源码之后发现这种情况hive需要手动处理,而spark已经自动进行优化了,所以还要注意hive和spark的区别的。