技术是为了业务服务的
hive
hive sql调优
count(distinct)
Join优化
mapjoin是大表join小表 将小表读入内存 写 hint的方式:
select /*+ MAPJOIN(a) */ a.c1, b.c1 ,b.c2 from a join b where a.c1 = b.c1;
groupby 聚合倾斜
解决方法:
set hive.map.aggr=true;
set hive.groupby.skewindata=true;
hive.map.aggr=true 这个配置代表开启map端聚合;
hive.groupby.skewindata=true,当选项设定为true,生成的查询计划会有两个MR Job。当第一个MR Job中,Map的输出结果结合会随机分布到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key被分到同一个reduce中,最后完成最终的聚合操作。
合理控制 MapTask,ReduceTask数量
原因1:当出现小文件过多或者
原因2:输入数据存在大块和小块的严重问题,比如 说:一个大文件128M,还有1000个小文件,每 个1KB。 解决方法:任务输入前做文件合并,将众多小文件合并成一个大文件。通过set hive.merge.mapredfiles=true解决;
原因3:单个文件大小稍稍大于配置的block块的大小,此时需要适当增加map的个数。解决方法:set mapred.map.tasks的个数;
原因4:文件大小适中,但是map端计算量非常大,如:select id,count(*),sum(case when…),sum(case when …)…需要增加map个数。解决方法:set mapred.map.tasks个数,set mapred.reduce.tasks个数
内部表外部表
连续登陆问题
行转列 列转行
distribute by
字段相同的会到同一个task处理
order by 全局排序,且只有一个task在处理
sort by 在task内部进行排序 一般签名会接distribute by
row_number
row_number无并列,一直连续
dense_rank有并列,一直连续
rank有并列,有间隔(非一直连续)
hivesql转换成mapreduce
数据仓库
数仓分层