一、列裁剪与分区裁剪
1.列裁剪(只查询需要的字段,千万不要直接写 select * from)
列裁剪就是在查询时只读取需要的列。当列很多或者数据量很大时,如果select所有的列或者不指定分区,导致的全列扫描和全表扫描效率都很低。
2.分区裁剪(有分区条件的一定要加上分区条件【如:dt...】)
分区裁剪就是在查询时只读需要的分区。
二、排序技巧–distribute by 与sort by 配合使用代替 order by
order by:将结果按某个字段全局排序,导致所有map端数据都进入一个reduce中,在数据量大时可能会长时间计算不完。
sort by: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reduce的key,往往还要配合distribute by一同使用均匀分配数据。如果不加distribute by的话,map端数据就会随机分配给reducer。
/*
-- 未优化写法(当开启严格模式时,order by 需要与limit一起使用)
select a , b ,c
from table
where xxx
order by a
limit 10;
*/
-- 优化写法
select a , b ,c
from table
where xxx
distribute by a
sort by a
order by a
limit 10;
三、去重技巧-- 用 group by 代替 distinct
distinct :放在一台服务器上最后使用一个reduce去执行
group by :多台服务器一起执行
-- 尽量减少对单字段使用distinct去重
/*
-- 未优化
select distinct user_name
from XXX;
*/
-- 优化后
select user_name
from XXX
group