在阐述Hive Join具体的优化方法之前,首先看一下Hive Join的几个重要特点,在实际使用时也可以利用下列特点做相应优化:
1.只支持等值连接
2.底层会将写的HQL语句转换为MapReduce,并且reduce会将join语句中除最后一个表外都缓存起来
3.当三个或多个以上的表进行join操作时,如果每个on使用相同的字段连接时只会产生一个mapreduce
具体的优化建议:
1.合理的设置map和reduce数量
jvm重用。可在hadoop的mapred-site.xml中设置jvm被重用的次数,参数mapred.job.reuse.jvm.num.tasks
2.对于任务重没有依赖关系的阶段开启并发执行,设置属性:set hive.exec.parallel=true
3.查询分区表时,在查询条件中指定分区
4.尽量使用left semi join 替代in、not in、exists
因为left semi join在执行时,对于左表中指定的一条记录,一旦在右表中找到立即停止扫描,效率更高
5.当多个表进行查询时,从左到右表的大小顺序应该是从小到大
原因:hive在对每行记录操作时会把其他表先缓存起来,直到扫描最后的表进行计算
6.对于经常join的表,针对join字段进行分桶,这样在join时不必全表扫描
7.小表进行mapjoin
如果在join的表中,有一张表数据量较小,可以存于内存中&#