--Map数量相关的参数
set mapred.max.split.size; --一个split的最大值,即每个map处理文件的最大值
set mapred.min.split.size.per.node; --一个节点上split的最小值
set mapred.min.split.size.per.rack; --一个机架上split的最小值
--Reduce数量相关的参数
set mapred.reduce.tasks; --强制指定reduce任务的数量
set hive.exec.reducers.bytes.per.reducer; --每个reduce任务处理的数据量
set hive.exec.reducers.max;--每个任务最大的reduce数
3.Join优化
Hive Join 优化
set hive.auto.convert.join=true;该参数为true时,Hive自动对左边的表统计量,如果是小表就加入内存,即对小表使用Map join
set hive.mapjoin.smalltable.filesize=25000000;小表大小默认25M
set hive.auto.convert.join.noconditionaltask=true;默认值:true;将普通的join转化为普通的mapjoin时,是否将多个mapjoin转化为一个mapjoi
set hive.auto.convert.join.noconditionaltask.size=10000000;将多个mapjoin转化为一个mapjoin时,其表的最大值
Map-Side聚合(一般在聚合函数sum,count时使用)
通过设置以下参数开启在Map端的聚合:
set set hive.map.aggr=true;
相关配置参数:
set hive.groupby.mapaggr.checkinterval:
map端group by执行聚合时处理的多少行数据(默认:100000)
set hive.map.aggr.hash.min.reduction:
进行聚合的最小比例(预先对100000条数据做聚合,若聚合之后的数据量/100000的值大于该配置0.5,则不会聚合)
set hive.map.aggr.hash.percentmemory:
map端聚合使用的内存的最大值
set hive.map.aggr.hash.force.flush.memory.threshold:
map端做聚合操作是hash表的最大可用内容,大于该值则会触发flush
set hive.groupby.skewindata
是否对GroupBy产生的数据倾斜做优化,默认为false(自动优化解决思路如下):
Map端两个MapReduce,第一个Mapreduce随机来分发数据。然后另一个Mapreduce根据此Mapreduce的结果在到Reduce的机器上去拉取数据。
4.排序
Order By - 对于查询结果做全排序,只允许有一个reduce处理
Sort By - 对于单个reduce的数据进行排序,这样最后的数据有可能排序结果不准
Distribute By - 分区排序,经常和Sort By结合使用(SortBy对于最后的分区排序)
Cluster By - 相当于 Sort By + Distribute By(Cluster By不能通过asc、desc的方式指定排序规则;
可通过 distribute by column sort by column asc|desc 的方式