提示
Hive SQL 教程 编写中,使用过程中有任何建议,提供意见、建议、纠错、催更加微信 sinbam。
当我们写了一个 sql,但是执行起来很慢,这时如果我们知道这个sql的底层执行流程是怎样的,就会比较容易去优化。
虽然表面上是写 sql,但是在从 hive 的 sql,到最终出来执行结果,中间经历了 MR 流程,其中 MR 的 map,combiner,shuffle,reduce 具体是执行了 hive 的那个部分,这样就会比较全面。
执行顺序
在 hive 和 mysql 中都可以通过 explain+sql 语句,来查看执行顺序。对于一条标准 sql 语句,它的书写顺序是这样的:
select … from … where … group by … having … order by … limit …
(1)mysql 语句执行顺序:
from... where...group by... having.... select ... order by... limit …
(2)hive 语句执行顺序:
from … where … select … group by … having … order by … limit …
Hive 的顺序
hive 基于 MapReduce 程序,它的执行顺序决定了 hive 语句的执行顺序,Map 阶段:
执行 from 加载,进行表的查找与加载
执行 where 过滤,进行条件过滤与筛选
执行 select 查询:进行输出项的筛选
执行 group by 分组:描述了分组后需要计算的函数
map 端文件合并:map 端本地溢出写文件的合并操作,每个 map 最终形成一个临时文件。
然后按列映射到对应的 reduceReduce 阶段:
group by:对map端发送过来的数据进行分组并进行计算。
select:最后过滤列用于输出结果
limit:排序后进行结果输出到HDFS文件
优化要点
根据执行顺序,我们平时编写时需要记住以下几点:
使用分区剪裁、列剪裁,分区一定要加
少用 COUNT DISTINCT,group by 代替 distinct
是否存在多对多的关联
连接表时使用相同的关键词,这样只会产生一个 job
减少每个阶段的数据量,只选出需要的,在 join 表前就进行过滤
大表放后面
谓词下推:where 谓词逻辑都尽可能提前执行,减少下游处理的数据量
sort by 代替 order by
参考
https://cloud.tencent.com/developer/article/1453464
https://www.cnblogs.com/gxgd/p/9431783.html
https://blog.csdn.net/wx1528159409/article/details/88583316