hive优化

hive.optimize.cp=true：列裁剪 
hive.optimize.prunner：分区裁剪 
hive.limit.optimize.enable=true：优化LIMIT n语句 
hive.limit.row.max.size=1000000： 
hive.limit.optimize.limit.file=10：最大文件数


1. 本地模式(小任务)： 
需要满足以下条件： 
1.job的输入数据大小必须小于参数：hive.exec.mode.local.auto.inputbytes.max(默认128MB) 
2.job的map数必须小于参数：hive.exec.mode.local.auto.tasks.max(默认4) 
3.job的reduce数必须为0或者1 
hive.exec.mode.local.auto.inputbytes.max=134217728 
hive.exec.mode.local.auto.tasks.max=4 
hive.exec.mode.local.auto=true 
hive.mapred.local.mem：本地模式启动的JVM内存大小


2. 并发执行： 
hive.exec.parallel=true ，默认为false 
hive.exec.parallel.thread.number=8


3.Strict Mode： 
hive.mapred.mode=true，严格模式不允许执行以下查询： 
分区表上没有指定了分区 
没有limit限制的order by语句 
笛卡尔积：JOIN时没有ON语句


4.动态分区： 
hive.exec.dynamic.partition.mode=strict：该模式下必须指定一个静态分区 
hive.exec.max.dynamic.partitions=1000 
hive.exec.max.dynamic.partitions.pernode=100：在每一个mapper/reducer节点允许创建的最大分区数 
DATANODE：dfs.datanode.max.xceivers=8192：允许DATANODE打开多少个文件


5.推测执行： 
mapred.map.tasks.speculative.execution=true 
mapred.reduce.tasks.speculative.execution=true 
hive.mapred.reduce.tasks.speculative.execution=true;


6.Single MapReduce MultiGROUP BY 
hive.multigroupby.singlemar=true：当多个GROUP BY语句有相同的分组列，则会优化为一个MR任务


7. hive.exec.rowoffset：是否提供虚拟列


8. 分组 
两个聚集函数不能有不同的DISTINCT列，以下表达式是错误的： 
INSERT OVERWRITE TABLE pv_gender_agg SELECT pv_users.gender, count(DISTINCT pv_users.userid), count(DISTINCT pv_users.ip) FROM pv_users GROUP BY pv_users.gender; 
SELECT语句中只能有GROUP BY的列或者聚集函数。


9. 
hive.map.aggr=true;在map中会做部分聚集操作，效率更高但需要更多的内存。 
hive.groupby.mapaggr.checkinterval：在Map端进行聚合操作的条目数目


10. 
hive.groupby.skewindata=true：数据倾斜时负载均衡，当选项设定为true，生成的查询计划会有两个MRJob。第一个MRJob 中， 
Map的输出结果集合会随机分布到Reduce中，每个Reduce做部分聚合操作，并输出结果，这样处理的结果是相同的GroupBy Key 
有可能被分发到不同的Reduce中，从而达到负载均衡的目的；第二个MRJob再根据预处理的数据结果按照GroupBy Key分布到 
Reduce中（这个过程可以保证相同的GroupBy Key被分布到同一个Reduce中），最后完成最终的聚合操作。


11.Multi-Group-By Inserts： 
FROM test 
INSERT OVERWRITE TABLE count1 
SELECT count(DISTINCT test.dqcode) 
GROUP BY test.zipcode 
INSERT OVERWRITE TABLE count2 
SELECT count(DISTINCT test.dqcode) 
GROUP BY test.sfcode;


12.排序 
ORDER BY colName ASC/DESC 
hive.mapred.mode=strict时需要跟limit子句 
hive.mapred.mode=nonstrict时使用单个reduce完成排序 
SORT BY colName ASC/DESC ：每个reduce内排序 
DISTRIBUTE BY(子查询情况下使用 )：控制特定行应该到哪个reducer，并不保证reduce内数据的顺序 
CLUSTER BY ：当SORT BY 、DISTRIBUTE BY使用相同的列时。


13.合并小文件 
hive.merg.mapfiles=true：合并map输出 
hive.merge.mapredfiles=false：合并reduce输出 
hive.merge.size.per.task=256*1000*1000：合并文件的大小 
hive.mergejob.maponly=true：如果支持CombineHiveInputFormat则生成只有Map的任务执行merge 
hive.merge.smallfiles.avgsize=16000000：文件的平均大小小于该值时，会启动一个MR任务执行merge。


14.map/reduce数目 
减少map数目： 
set mapred.max.split.size 
set mapred.min.split.size 
set mapred.min.split.size.per.node 
set mapred.min.split.size.per.rack 
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat 
增加map数目： 
当input的文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数，来使得每个map处理的数据量减少，从而提高任务的执行效率。 
假设有这样一个任务： 
select data_desc, count(1), count(distinct id),sum(case when …),sum(case when ...),sum(…) from a group by data_desc 
如果表a只有一个文件，大小为120M，但包含几千万的记录，如果用1个map去完成这个任务，肯定是比较耗时的，这种情况下，我们要考虑将这一个文件合理的拆分成多个，这样就可以用多个map任务去完成。 
set mapred.reduce.tasks=10; 
create table a_1 as select * from a distribute by rand(123); 
这样会将a表的记录，随机的分散到包含10个文件的a_1表中，再用a_1代替上面sql中的a表，则会用10个map任务去完成。每个map任务处理大于12M（几百万记录）的数据，效率肯定会好很多。


reduce数目设置： 
参数1：hive.exec.reducers.bytes.per.reducer=1G：每个reduce任务处理的数据量 
参数2：hive.exec.reducers.max=999(0.95*TaskTracker数)：每个任务最大的reduce数目 
reducer数=min(参数2,总输入数据量/参数1) 
set mapred.reduce.tasks：每个任务默认的reduce数目。典型为0.99*reduce槽数，hive将其设置为-1，自动确定reduce数目。


15.使用索引： 
hive.optimize.index.filter：自动使用索引 
hive.optimize.index.groupby：使用聚合索引优化GROUP BY操作