大数据笔记-Hive调优总结（一）

Hive优化的前提是：你先了解清楚MapReduce这个知识点，了解Map;shuffle;Reduce;在分布式中执行的过程。

Hive优化的本质很多都是基于MapReduce的优化（以及sql语法树的优化），本次先分享下基础的优化点：

优化点

● 抓取机制fetch
● 本地模式MR
● Join查询优化
● group by 优化： map 端聚合
● MR引擎并行度调整
● 执行计划
● 并行执行机制
● 严格模式
● 推测执行机制
● 重用JVM

1. 抓取机制

1. 你需要明白为什么要开启fetch?
2. fetch的原理是啥？

2. 本地模式 mapreduce (小文件10倍性能的提升)

是否有其他的方案处理小文件问题？（肯定有嘛）

Join查询优化（重点记住）

其实这块不管是spark还是presto优化的原理本质都是一样
都会经过语法词法分析解析为AST语法树，然后进行相应的逻辑优化与物理优化

4. group by 优化： map端聚合 （预聚合+负载均衡）（重点记住）

同上

5. MapReduce引擎并行度调整

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。

6. 执行计划

语法树生成的过程重点

1）parser：将sql解析为AST（抽象语法树），会进行语法校验，AST本质* * 还是字符串
2）Analyzer:语法分析，生成QB（query block）
3）Logicl Plan:逻辑执行计划解析，生成一堆Opertator Tree
4）Logicl Optimizer:进行逻辑执行计划优化，生成一堆Opertator Tree
5）Phsical plan:物理执行计划解析，生成 tasktree
6）Phsical Optimizer:进行物理执行计划优化，生成 t优化后tasktree，该任务即是在集群上执行的作业任务

六步将普通的sql映射成了作业任务。重点是 逻辑执行计划优化和物理执行计划优化

7. 并行执行

8. 严格模式_ 推测执行

总结

1. 可以从设计上减少Join 降低shuffle过程 – 设计上的优化
2. 提前聚合：join提前到map端处理 – 计算上的优化
3. 小文件合并或者本地直接执行 – 计算上的优化
4. 并行度的优化 – 配置/并发上的优化
5. 重用JVM
6. Hive只是一个数据仓库的工具，其核心其实还是SQL解析引擎(以及计算引擎这块)，这一块无论是何种大数据计算引擎（Spark;Flink;Presto）这一块的优化本质都一样,都是提前预聚合；谓词下推；大小文件优化；计算粒度优化；资源分配优化等等；自己总结的时候可以将Hive;Spark;Flink这几个热门的分布式计算框架的计算调优部分横向对比总结下。

---