hive调优

参数调优
    1、map阶段数据压缩
        set hive.exec.compress.intermediate=true
        set mapred.map.output.compression.codec= org.apache.hadoop.io.compress.SnappyCodec
        set mapred.map.output.compression.codec=com.hadoop.compression.lzo.LzoCodec;
    2、对最终生成的hive表数据压缩
        1、通过参数设置
            set hive.exec.compress.output=true 
            set mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec
        2、通过建表语句设置
            create table tablename (
             xxx,string
             xxx, bigint
            )
            ROW FORMAT DELTMITED FIELDS TERMINATED BY '\t'
            STORED AS orc tblproperties("orc.compress" = "SNAPPY")
    3、分区(分区表相当于hive的索引，加快查询速度)
    4、分桶(两个表join的时候，如果两个表在相同列上有分桶操作，会减少join数据量【要求两个表的桶数量要相同或成倍数】)
    5、并行计算，stage不依赖的时候可以并行计算
        // 开启任务并行执行
        set hive.exec.parallel=true;
         // 同一个sql允许并行任务的最大线程数 
        set hive.exec.parallel.thread.number=8;
    6、JVM重用
        JVM重用对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者task特别多的场景，这类场景大多数执行时间都很短。jvm的启动过程可能会造成相当大的开销，尤其是执行的job包含有成千上万个task任务的情况。
        set mapred.job.reuse.jvm.num.tasks=10;
    7、调整reduce的个数
        第一种方法：根据数据量调整reduce个数  hive.exec.reducers.bytes.per.reducer 【设置每个reduce处理的数据量，默认256M】
        第二种方法: 直接设置reduce的个数  set mapred.reduce.tasks = number
    8、推测执行
        mapred.map.tasks.speculative.execution
        mapred.reduce.tasks.speculative.execution
    9、小文件合并
        set hive.merge.mapfiles = true                   ##在 map only 的任务结束时合并小文件
        set hive.merge.mapredfiles = false               ## true 时在 MapReduce 的任务结束时合并小文件
        set hive.merge.size.per.task = 256*1000*1000     ##合并文件的大小
        set mapred.max.split.size=256000000;             ##每个 Map 最大分割大小
        set mapred.min.split.size.per.node=1;            ##一个节点上 split 的最少值
        set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;    ##执行Map前进行小文件合并
SQL调优
    1、where语句优化
        select m.cid,u.id from order m join customer u on( m.cid =u.id )where m.dt='20180808';
        可优化为
        select m.cid,u.id from （select * from order where dt='20180818'） m join customer u on( m.cid =u.id);
    2、union优化
        尽量不要使用union （union 去掉重复的记录）而是使用 union all 然后在用group by 去重
    3、count distinct优化
        不要使用count (distinct   cloumn) ,而要使用子查询实现count(distinct)
        select count(1) from (select id from tablename group by id) tmp;
    4、如果需要根据一张表的字段约束另一个张表，用in代替join
        select id,name from tb1  a join tb2 b on(a.id = b.id);
        可优化为
        select id,name from tb1 where id in(select id from tb2); in 要比join 快
    5、消灭子查询内的 group by 、 COUNT(DISTINCT)，MAX，MIN。 可以减少job的数量。
    6、join优化
        map端join
        set hive.auto.convert.join = true; 默认为true
        set hive.mapjoin.smalltable.filesize=25000000; 设置小表的阈值
        
    7、本地模式
        当 Hive 查询处理的数据量比较小时，其实没有必要启动分布式模式去执行，因为以分布式方式执行就涉及到跨网络传输、多节点协调 等，并且消耗资源。这个时间可以只使用本地模式来执行 mapreduce job，只在一台机器上执行，速度会很快
        set hive.exec.mode.local.auto=true 是打开 hive 自动判断是否启动本地模式的开关，但是只 是打开这个参数并不能保证启动本地模式，要当 map 任务数不超过
            hive.exec.mode.local.auto.input.files.max 的个数并且 map 输入文件大小不超过
            hive.exec.mode.local.auto.inputbytes.max 所指定的大小时，才能启动本地模式。