这可能是最专业的hive调优、hive参数调优

fetch 抓取

Fetch 抓取是指，Hive 中对某些情况的查询可以不必使用 MapReduce 计算。例如：
SELECT * FROM employees;在这种情况下，Hive 可以简单地读取 employee 对应的存储目录下的文件，然后输出查询结果到控制台。

 set hive.fetch.task.conversion=more;

本地模式

大多数的 Hadoop Job 是需要 Hadoop 提供的完整的可扩展性来处理大数据集的。不过，
有时 Hive 的输入数据量是非常小的。在这种情况下，为查询触发执行任务消耗的时间可能
会比实际 job 的执行时间要多的多。对于大多数这种情况，Hive 可以通过本地模式在单台机
器上处理所有的任务。对于小数据集，执行时间可以明显被缩短。
用户可以通过设置 hive.exec.mode.local.auto 的值为 true，来让 Hive 在适当的时候自动
启动这个优化，默认是 false。

set hive.exec.mode.local.auto=true; //开启本地 mr
//设置 local mr 的最大输入数据量，当输入数据量小于这个值时采用 local mr 的方式，默认
为 134217728，即 128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;
//设置 local mr 的最大输入文件个数，当输入文件个数小于这个值时采用 local mr 的方式，默
认为 4

表的优化

• map端join

• 如果不指定 MapJoin 或者不符合 MapJoin 的条件，那么 Hive 解析器会将 Join 操作转换成 Common Join，即：在 Reduce 阶段完成 join。容易发生数据倾斜。可以用 MapJoin 把小表全部加载到内存在 map 端进行 join，避免 reducer 处理。

set hive.auto.convert.join = true; //默认打开
set hive.mapjoin.smalltable.filesize=25000000;//默认 25M 一下认为是小表

• 小表、大表 Join

将 key 相对分散，并且数据量小的表放在 join 的左边，这样可以有效减少内存溢出错误发生的几率；再进一步，可以使用 map join 让小的维度表（1000 条以下的记录条数）先进内存。在 map 端完成 reduce。
实际测试发现：新版的 hive 已经对小表 JOIN 大表和大表 JOIN 小表进行了优化。小
表放在左边和右边已经没有明显区别(hive ver 1.2.1)。

• 大表 Join 大表

  • 空key过滤

  • 有时 join 超时是因为某些 key 对应的数据太多，而相同 key 对应的数据都会发送到相同的 reducer 上，从而导致内存不够。此时我们应该仔细分析这些异常的 key，很多情况下，这些 key 对应的数据是异常数据，我们需要在 SQL 语句中进行过滤。
    sql如下

  • select * from a join b on a.id=b.id -> select * from a join (select * from b where b.id<>null) b on a.id=b.id
  • 空 key 转换

  • 有时虽然某个 key 为空对应的数据很多，但是相应的数据不是异常数据，必须要包含在join 的结果中，此时我们可以表 a 中 key 为空的字段赋一个随机的值，使得数据随机均匀地分不到不同的 reducer 上。例如：

  • select * from a join b on case when a.id is null then concat('hive', rand()) else a.id = o.id;

• groupby

  • map端聚合

默认情况下，Map 阶段同一 Key 数据分发给一个 reduce，当一个 key 数据过大时就倾
斜了。并不是所有的聚合操作都需要在 Reduce 端完成，很多聚合操作都可以先在 Map 端进行部分聚合，最后在 Reduce 端得出最终结果。

（1）是否在 Map 端进行聚合，默认为 True
set hive.map.aggr = true
（2）在 Map 端进行聚合操作的条目数目
set hive.groupby.mapaggr.checkinterval = 100000
（3）有数据倾斜的时候进行负载均衡（默认是 false）
set hive.groupby.skewindata = true
----------------------------------------------
当选项设定为 true，生成的查询计划会有两个 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，并输出结果，这样处理的结
果是相同的 Group By 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 MR Job 再根据预处理的数据结果按照 Group By Key 分布到 Reduce 中（这个过程可以
保证相同的 Group By Key 被分布到同一个 Reduce 中），最后完成最终的聚合操作。

• Count(Distinct) 去重统计

数据量小的时候无所谓，数据量大的情况下，由于 COUNT DISTINCT 的全聚合操作，
即使设定了 reduce task 个数，set mapred.reduce.tasks=100；hive 也只会启动一个 reducer。， 这就造成一个 Reduce 处理的数据量太大，导致整个 Job 很难完成，一般 COUNT DISTINCT使用先 GROUP BY 再 COUNT 的方式替换：

select count(distinct id) from bigtable;
->
select count(id) from (select id from bigtable group by id) a

Count(Distinct) 引发的问题讨论

select count(*) from (select age from student group by age)

很多人可能觉得这个不正好是你上面说的优化吗！有什么问题？问题很大，事实上我要借助这个问题说一下有关盲目优化和过度优化的问题。 问题在于

• 行列过滤

select o.id from bigtable b
join ori o on o.id = b.id
where o.id <= 10;
->
select b.id from bigtable b
join (select id from ori where id <= 10 ) o on b.id = o.id;

数据倾斜

合理设置 Map 数

1）通常情况下，作业会通过 input 的目录产生一个或者多个 map 任务。
主要的决定因素有：input 的文件总个数，input 的文件大小，集群设置的文件块大
小。
2）是不是 map 数越多越好？
答案是否定的。如果一个任务有很多小文件（远远小于块大小 128m），则每个小文件
也会被当做一个块，用一个 map 任务来完成，而一个 map 任务启动和初始化的时间远远大
于逻辑处理的时间，就会造成很大的资源浪费。而且，同时可执行的 map 数是受限的。
3）是不是保证每个 map 处理接近 128m 的文件块，就高枕无忧了？
答案也是不一定。比如有一个 127m 的文件，正常会用一个 map 去完成，但这个文件
只有一个或者两个小字段，却有几千万的记录，如果 map 处理的逻辑比较复杂，用一个
map 任务去做，肯定也比较耗时。
针对上面的问题 2 和 3，我们需要采取两种方式来解决：即减少 map 数和增加 map
数；

• 小文件进行合并

在 map 执行前合并小文件，减少 map 数：CombineHiveInputFormat 具有对小文件进行
合并的功能（系统默认的格式）。HiveInputFormat 没有对小文件合并功能。
set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

• 复杂文件增加 Map 数

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。
增加 map 的方法为：根据
computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M 公式，调
整 maxSize 最大值。让 maxSize 最大值低于 blocksize 就可以增加 map 的个数。

案例实操：
 select count(*) from emp;
 number of mappers: 1; 
设置最大切片值为 100 个字节
 set mapreduce.input.fileinputformat.split.maxsize=100;
 select count(*) from emp;
 Stage-1: number of mappers: 6;

合理设置 Reduce 数

set mapreduce.job.reduces = 15;
-----------------------------------------------------------------------
reduce 个数并不是越多越好
1）过多的启动和初始化 reduce 也会消耗时间和资源；
2）另外，有多少个 reduce，就会有多少个输出文件，如果生成了很多个小文件，那么
如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题；
在设置 reduce 个数的时候也需要考虑这两个原则：处理大数据量利用合适的 reduce
数；使单个 reduce 任务处理数据量大小要合适；
3）什么情况下程序只有一个reduce呢？一般map输出的结果值小于
hive.exec.reducers.bytes.per.reducer值时，
程序只有一个reduce没有问题，其次手动设置mapred.reduce.tasks=1,
这个时候程序只有一个reduce。那么正常除了这两种情况下，正常程序还有什么情况下只有 一个reduce呢？
order by,count(distinct id), 以及笛卡尔积



=============================================================

hive自动判断reduce个数的逻辑
参数1：每个 Reduce 处理的数据量默认是 256MB

（为啥我的hive的67108864字节~67MB）----------------谁知道给我留个言

hive.exec.reducers.bytes.per.reducer=256000000
参数2：每个任务最大的 reduce 数，默认为 1009
hive.exec.reducers.max=1009
  计算 reducer 数的公式
N=min(参数 2，map结束输入数据量/参数 1)

并行执行

Hive 会将一个查询转化成一个或者多个阶段。这样的阶段可以是 MapReduce 阶段、抽
样阶段、合并阶段、limit 阶段。或者 Hive 执行过程中可能需要的其他阶段。默认情况下，
Hive 一次只会执行一个阶段。不过，某个特定的 job 可能包含众多的阶段，而这些阶段可能并非完全互相依赖的，也就是说有些阶段是可以并行执行的，这样可能使得整个 job 的执行时间缩短。不过，如果有更多的阶段可以并行执行，那么 job 可能就越快完成。
通过设置参数 hive.exec.parallel 值为 true，就可以开启并发执行。不过，在共享集群中，需要注意下，如果 job 中并行阶段增多，那么集群利用率就会增加

set hive.exec.parallel=true; //打开任务并行执行
set hive.exec.parallel.thread.number=16; //同一个 sql 允许最大并行度，默认为 8。
当然，得是在系统资源比较空闲的时候才有优势，否则，没资源，并行也起不来。

jvm重用

**

JVM 重用是 Hadoop 调优参数的内容，其对 Hive 的性能具有非常大的影响，特别是对
于很难避免小文件的场景或 task 特别多的场景，这类场景大多数执行时间都很短。
Hadoop 的默认配置通常是使用派生 JVM 来执行 map 和 Reduce 任务的。这时 JVM 的启动过程可能会造成相当大的开销，尤其是执行的 job 包含有成百上千 task 任务的情况。JVM重用可以使得JVM实例在同一个 job 中重新使用N次。N的值可以在Hadoop的 mapred.site.xml 文件中进行配置。通常在 10-20 之间，具体多少需要根据具体业务场景测试得出。
**

<property>
 <name>mapreduce.job.jvm.numtasks</name>
 <value>10</value>
 <description>How many tasks to run per jvm. If set to -1, there is
no limit. 
 </description>
</property>

推测执行

在分布式集群环境下，因为程序 Bug（包括 Hadoop 本身的 bug），负载不均衡或者资源分布不均等原因，会造成同一个作业的多个任务之间运行速度不一致，有些任务的运行速度可能明显慢于其他任务（比如一个作业的某个任务进度只有 50%，而其他所有任务已经运行完毕），则这些任务会拖慢作业的整体执行进度。为了避免这种情况发生，Hadoop 采用了推测执行（Speculative Execution）机制，它根据一定的法则推测出“拖后腿”的任务，并为这样的任务启动一个备份任务，让该任务与原始任务同时处理同一份数据，并最终选用最先成功运行完成任务的计算结果作为最终结果。

• 它可以配置map-side也可以配置reduce-side
• 不过 hive 本身也提供了配置项来控制 reduce-side 的推测执行：默认是 true

set mapred.map.tasks.speculative.execution=true;
set mapred.reduce.tasks.speculative.execution=true;
set hive.mapred.reduce.tasks.speculative.execution=true;//hive -side 
===========================分割线============================
关于调优这些推测执行变量，还很难给一个具体的建议。如果用户对于运行时的偏差非
常敏感的话，那么可以将这些功能关闭掉。如果用户因为输入数据量很大而需要执行长时间
的 map 或者 Reduce task 的话，那么启动推测执行造成的浪费是非常巨大大。