Hive 优化简解

（一）对小文件进行合并，是行至有效的提高调度效率的方法

---

动态分区插入数据插入阶段，产生大量的小文件，最多产生 [任务数(map或者reduce) * 分区数] 个文件(实际会小于这个数值)

   小文件的影响：
    1.从Hive的角度看，小文件会开很多map，一个map开一个JVM去执行，所以这些任务的初始化，启动，执行会浪费大量的资源，严重影响性能。
    2.在HDFS中，每个小文件对象约占150byte，如果小文件过多会占用大量内存（主要是元数据）。这样NameNode内存容量严重制约了集群的扩展。
    Hadoop并不擅长对小型文件的储存，原因取决于Hadoop文件系统的文件管理机制，Hadoop的文件存储的单元为一个块（block），block的数据存放在集群中的datanode节点上，
    由namenode对所有datanode存储的block进行管理。namenode将所有block的元数据存放在内存中，以方便快速的响应客户端的请求。那么问题来了，不管一个文件有多小，
    Hadoop都把它视为一个block，大量的小文件，将会把namenode的内存耗尽。 

1.源头上控制
①.少用动态分区，用时记得按distribute by分区
使用distribute by 语句将数据聚集成按分区分布(若分区数据量分布差异不是很大,优先推荐该办法)

// 根据年份和气温对气象数据进行排序，以确保所有具有相同年份的行最终都在一个reducer分区中
From record2
select year, temperature
distribute by year
sort by year asc, temperature desc;

②.减少reduce数量 （调节参数）
调整hive.exec.reducers.bytes.per.reducer,（若调整后出现倾斜,sql添加 distribute by rand() )

2.对已经存在的小文件：
①.hadoop archive方法
Archive可以把多个文件归档成为一个文件，换个角度来看，Archive实现了文件的元数据整理，但是，归档的文件大小其实没有变化，只是压缩了文件的元数据大小。
②.重建表，建表时减少reduce数量。
③.通过参数进行调节，在hive操作前，设置map/reduce端的相关参数，如下：
设置map输入合并小文件的相关参数：

-- 每个Map最大输入大小，决定合并后的文件数
set mapred.max.split.size=256000000;
-- 一个节点上split的至少的大小 ，决定了多个data node上的文件是否需要合并
set mapred.min.split.size.per.node=100000000;
-- 一个交换机下split的至少的大小，决定了多个交换机上的文件是否需要合并
set mapred.min.split.size.per.rack=100000000;
-- 执行Map前进行小文件合并
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

设置map输出和reduce输出进行合并的相关参数：

hive.merge.mapfiles 在map-only job后合并文件，默认true
hive.merge.mapredfiles 在map-reduce job后合并文件，默认false
hive.merge.size.per.task 合并后每个文件的大小，默认256000000
hive.merge.smallfiles.avgsize 平均文件大小，是决定是否执行合并操作的阈值，默认16000000

---

（二）sql语句上：
1.join原则：小的文件放 join 左边，左边的会加载到内存
2.数据量较大的情况下，慎用 count(distinct)
3.通过分区(时间、地点): 查询的时候指定分区,会大大减少在无用数据上的扫描, 同时也非常方便数据清理