Hive—调优策略（SQL优化，join基础优化）

Hive—SQL优化

列裁剪和分区裁剪

1. 列裁剪是在查询时只读取需要的列；简单的说：select 中不要有多余的列，坚决避免 select * from tab;

2. 分区裁剪就是只读取需要的分区。查询分区表，不读多余的数据；

   select uid, event_type, record_data
   	from calendar_record_log
   where pt_date >= 20190201 and pt_date <= 20190224 and status = 0;
   

sort by 代替 order by

1. HiveQL中的order by与其他关系数据库SQL中的功能一样，是将结果按某字段全局排序，这会导致所有map端数据都进入一个reducer中，在数据量大时可能会长时间计算不完。
2. 如果使用sort by，那么还是会视情况启动多个reducer进行排序，并且保证每个reducer内局部有序。为了控制map端数据分配到reducer的key，往往还要配合distribute by 一同使用。如果不加 distribute by 的话，map端数据就会随机分配到reducer。

group by 代替 count(distinct)

1. 当要统计某一列的去重数时，如果数据量很大，count(distinct) 会非常慢。count(distinct)逻辑只会有很少的reducer来处理。此时可以用group by 来改写：

   -- 原始SQL
   select count(distinct uid) from tab;
   -- 优化后的SQL
   select count(1) from (select uid from tab group by uid) tmp;
   

2. 上面这样写会启动两个MR job（单纯distinct只会启动一个），所以要确保数据量大到启动job的overhead远小于计算耗时，才考虑这种方法。当数据集很小或者key的倾斜比较明显时，group by还可能会比distinct慢。

group by 配置调整

1. map端预聚合：group by时，如果先起一个combiner在map端做部分预聚合，可以有效减少shuffle数据量

   -- 默认为true
   set hive.map.aggr = true
   

2. Map端进行聚合操作的条目数，通过 hive.groupby.mapaggr.checkinterval 参数也可以设置map端预聚合的行数阈值，超过该值就会分拆job，默认值10W。

   set hive.groupby.mapaggr.checkinterval = 100000
   

3. 倾斜均衡配置项：group by时如果某些key对应的数据量过大，就会发生数据倾斜。

4. Hive自带了一个均衡数据倾斜的配置项 hive.groupby.skewindata ，默认值false。其实现方法是在group by时启动两个MR job。第一个job会将map端数据随机输入reducer，每个reducer做部分聚合，相同的key就会分布在不同的reducer中。第二个job再将前面预处理过的数据按key聚合并输出结果，这样就起到了均衡的效果。但是，配置项毕竟是死的，单纯靠它有时不能根本上解决问题，

Hive—join基础优化

1、common join

1. common join：普通连接，在SQL中不特殊指定连接方式使用的都是这种普通连接。
2. common join优点：操作简单，普适性强
3. common join缺点：性能较差(要将数据分区，有shuffle)

2、map join

1. map端连接，与普通连接的区别是这个连接中不会有reduce阶段存在，连接在map端完成
2. map join适用场景：大表与小表连接，小表数据量应该能够完全加载到内存，否则不适用
3. map join优点：在大小表连接时性能提升明显，自动判断哪个是小表，哪个是大表，这个参数由（hive.auto.convert.join=true）来控制，然后控制小表的大小由（hive.smalltable.filesize=25000000）参数控制（默认是25M），当小表超过这个大小，hive 会默认转化成common join。
4. map join缺点：使用范围较小，只针对大小表且小表能完全加载到内存中的情况。

3、bucket map join

1. 分桶连接：Hive 建表的时候支持hash 分区通过指定clustered by (col_name,xxx )into number_buckets buckets 关键字.当连接的两个表的join key 就是bucket column 的时候，就可以通过设置hive.optimize.bucketmapjoin= true 来执行优化。
2. bucket map join原理：通过两个表分桶在执行连接时会将小表的每个分桶映射成hash表，每个task节点都需要这个小表的所有hash表，但是在执行时只需要加载该task所持有大表分桶对应的小表部分的hash表就可以，所以对内存的要求是能够加载小表中最大的hash块即可。
3. bucket map join时：小表与大表的分桶数量需要是倍数关系，这个是因为分桶策略决定的，分桶时会根据分桶字段对桶数取余后决定哪个桶的，所以要保证成倍数关系。
4. bucket map join优点：比map join对内存的要求降低，能在逐行对比时减少数据计算量（不用比对小表全量）
5. bucket map join缺点：只适用于分桶表

PS:map join

1. 利用map join特性，map join特别适合大小表join的情况。Hive会将build table和probe table在map端直接完成join过程，消灭了reduce，效率很高。

   select a.event_type, b.upload_time
   from calendar_event_code a
   inner join (
   	select event_type, upload_time from calendar_record_log
   	where pt_date = 20190225
   ) b on a.event_type = b.event_type;
   

2. map join的配置项是 hive.auto.convert.join ，默认值true。
   当build table大小小于 hive.mapjoin.smalltable.filesize 会启用map join，默认值25000000（约25MB）。还有 hive.mapjoin.cache.numrows ，表示缓存build table的多少行数据到内存，默认值25000。

PS:分桶表map join,

1. map join对分桶表还有特别的优化。由于分桶表是基于一列进行hash存储的，因此非常适合抽样（按桶或按块抽样）。它对应的配置项是hive.optimize.bucketmapjoin 。

PS:倾斜均衡配置项

1. 倾斜均衡配置项与 group by 的倾斜均衡配置项异曲同工，通过 hive.optimize.skewjoin来配置，默认false。
2. 倾斜均衡配置项如果开启了，在join过程中Hive会将计数超过阈值 hive.skewjoin.key （默认100000）的倾斜key对应的行临时写进文件中，然后再启动另一个job做map join生成结果。通过 hive.skewjoin.mapjoin.map.tasks 参数还可以控制第二个job的mapper数量，默认10000。

处理空值或无意义值

1. 日志类数据中往往会有一些项没有记录到，其值为null，或者空字符串、-1等。如果
   缺失的项很多，在做join时这些空值就会非常集中，拖累进度【空值的字段是连接字段】。

2. 若不需要空值数据，就提前写 where 语句过滤掉。需要保留的话，将空值key用随机方式打散，例如将用户ID为null的记录随机改为负值：

   select a.uid, a.event_type, b.nickname, b.age
   from (
   	select
   	(case when uid is null then cast(rand()*-10240 as int) else uid end) as uid,
   	event_type from calendar_record_log
   	where pt_date >= 20190201) a left outer join (
   		select uid,nickname,age from user_info where status = 4
   	) b on a.uid = b.uid;
   

单独处理倾斜key

1. 如果倾斜的 key 有实际的意义，一般来讲倾斜的key都很少，此时可以将它们单独抽取出来，对应的行单独存入临时表中，然后打上一个较小的随机数前缀（比如0~9），最后再进行聚合。
2. 不要一个Select语句中，写太多的Join。分成多条语句，分步执行；先执行大表与小表的关联；

调整 Map 数

1. 通常情况下，作业会通过输入数据的目录产生一个或者多个map任务。主要因素包括：输入文件总数，输出文件大小，HDFS文件块大小
2. map并不是越多越好。合适的才是最好的。如果一个任务有很多小文件（<< 128M），每个小文件也会被当做一个数据块，用一个 Map Task 来完成。一个 Map Task 启动和初始化时间 >> 处理时间，会造成资源浪费，而且系统中同时可用的map数是有限的。

对于小文件采用的策略是合并。

1. 每个map处理接近128M的文件块，会有其他问题吗。也不一定。
2. 有一个125M的文件，一般情况下会用一个Map Task完成。假设这个文件字段很少，但记录数却非常多。如果Map处理的逻辑比较复杂，用一个map任务去做，性能也不好。

调整 Reduce 数

1. reducer数量的确定方法比mapper简单得多。使用参数 mapred.reduce.tasks 可以直接设定reducer数量。如果未设置该参数，Hive会进行自行推测，逻辑如下：
   1. 参数 hive.exec.reducers.bytes.per.reducer 用来设定每个reducer能够处理的最大数据量，默认值256M
   2. 参数 hive.exec.reducers.max 用来设定每个job的最大reducer数量，默认值999或1009
   3. 得出reducer数： min(输入总数据量 / 256M, 1009)
2. reducer数量与输出文件的数量相关。如果reducer数太多，会产生大量小文件，对HDFS造成压力。如果reducer数太少，每个reducer要处理很多数据，容易拖慢运行时间或者造成OOM。