Fetch抓取
Hive中对于某些情况的查询可以不使用MapReduce计算。例如简单的select方法,Hive可以简单的读取对应的表并输出。
通过设置hive-default.xml.template中的hive.fetch.task.conversion默认是more。
设置属性为more后,全局查找,字段查找,limit查找都不走MapReduce。
本地模式
当存在很多的本地小文件之后,每一个小文件的读取与计算都需要启动单独的task,将导致分配的资源过大。此时可以使用本地模式在本机进行读取与计算,避免消耗过多的资源。
Join
小表Join大表(新版本中没有区别)
将key值相对分散,且数据量较小的表放在join的左边,这样可以有效减少内存溢出错误发生的概率。再进一步,可以使用Group让小维度的表先进内存。在map端完成reduce。
select counnt(dictinct s_id) from score;
#在map端进行聚合,效率更高
select counnt(dictinct s_id) from score group by s_id;
多表关联
在多个表关联的时候,最好拆分成小段,避免大sql
大表join大表
Map超时有时是因为某些key的值太多,而相同key对应的值会发送到对应的reduce中,避免内存不够导致溢出。可以通过处理将这些缺失值赋予随机的字符串,将内容分发到不同的reduce中。
map端聚合
为了避免相同key’值得数据过多,导致数据倾斜,可以将很多操作放在map端进行聚合。
设定之后,产生的查询计划中会有两个MR Job。第一个MR Job中Map的输出结果会随机分布到Reduce中。每个Reduce做部分聚合操作。