HiveSQL常用优化技巧

这次的目的很简单，就是利用各种技巧提升SQL执行效率

---

前言

好的，废话不多说，直接上干货

---

技巧一、去重一一用group by来替换distinct

小结：
1.使用场景仅限去重，不可以应用在去重计算count(distinct XX)
2.在极大的数据量(且很多重复值)时，可以先group by去重，再count()计数， 效率高于直接 count(distinct XX)

取出user_trade表中全部支付用户

##原有写法
SELECT distinct user_name
FROM user_trade
WHERE dt>'0';
##优化写法
SELECT user_name
FROM user_trade 
WHERE dt>'O'
GROUP BY user_name;

在2019年购买后又退款的用户

SELECT a.user_name 
FROM
	(SELECT distinct user_name 
	FROM user_trade
	WHERE year(dt) =2019) a 
	JOIN
	(SELECT distinct user_name 
	FROM user_refund
	WHERE year(dt) =2019) b on a.user_name=b.user_name;

##优化写法：
SELECT a.user_name  
FROM
	(SELECT user_name 
	FROM user_trade 
	WHERE year(dt) =2019 
	GROUP BY user_name) a 
	JOIN 
	(SELECT user_name 
	FROM user_refund 
	WHERE year(dt) =2019 
	GROUP BY user_name ) b on a.user_name=b.user_name;

技巧二、聚合- --利用窗口函数grouping sets、cube、 rollup

grouping sets

1.GROUPING SETS()：在group by查询中，根据不同的维度组合进行聚合，等价于将不同维度的group by结果集进行union all。
2.聚合规则在括号中进行指定。

用户的性别分布、城市分布、等级分布
常规写法：（缺点：写三次SQL，执行三次，重复工作，且费时）

--性别分布
SELECT sex,
	   count(distinct user_id) 
FROM user_info
GROUP BY sex;

--城市分布
SELECT city,
	   count(distinct user_id)
FROM user_info
GROUP BY city; 

--等级分布
SELECT level,
	   count(distinct user_id) 
	   FROM user_info
GROUP BY level;

优化写法：

SELECT sex，
	   city,
	   level,
	   count(distinct user_id) 
FROM user_info
GROUP BY sex,city,level 
GROUPING SETS(sex,city, level);

聚合结果均在同一列，分类字段用不同列来进行区分

举一反三：
用户的性别分布以及每个性别的城市分布
常规写法：

--性别分布
SELECT sex，
	   count(distinct user_id) 
FROM user_info
GROUP BY sex;

--每个性别的城市分布
SELECT sex，
	   city,
	   count (distinct user_id)
FROM user_info
GROUP BY sex,
	     city;

优化写法：

SELECT sex,
	   city,
	   count(distinct user_id) 
FROM user_info
GROUP BY sex,city
GROUPING SETS(sex, (sex,city));

第二列为NULL的，即是性别的用户分布，其余有城市的均为每个性别的城市分布

cube

根据group by 维度的所有组合进行聚合

性别、城市、等级的各种组合的用户分布

SELECT sex,
	   city,
	   level,
	   count(distinct user_id) 
FROM user_info
GROUP BY sex,city,level
GROUPING SETS(sex,city, level, (sex,city), (sex, level), (city, level), (sex,city, level));

##优化写法
--性别、城市、等级的各种组合的用户分布
SELECT  sex，
		city,
		level,
		count(distinct user_id) 
FROM user_info
GROUP BY sex,city, level 
with cube;

跑完数据后，整理很关键！！

rollup

以最左侧的维度为主，进行层级聚合，是cube的子集

同时计算出，每个月的支付金额，以及每年的总支付金额

--每月的支付金额和每年的支付金额汇总
SELECT  a.dt,
		sum(a.year_amount), 
		sum(a.month_amount)
FROM
		(SELECT substr(dt,1,4) as dt, 
				sum(pay_amount) year_amount, 
				0 as month_amount
		FROM user_trade 
		WHERE dt>'O' 
		GROUP BY substr(dt,1,4) 
		UNION ALL 
		SELECT substr(dt,1,7) as dt,
				0 as year_amount, 
				sum(pay_amount) as month_amount 
		FROM user_trade 
		WHERE dt>'0' 
		GROUP BY substr(dt，1，7）
		) a 
GROUP BY a.dt;

优化写法：

SELECT  year(dt) as year,
		month(dt) as month,
		sum(pay_amount)
FROM user_trade
WHERE dt>'0'
GROUP BY year(dt),
		 month(dt)
with rollup;

技巧三、换个思路解题

在2017年和2018年都购买的用户

SELECT  a.user_name
FROM
		(SELECT distinct user_name
		FROM user_trade
		WHERE year(dt) =2017) a
		JOIN
		(SELECT distinct user_name
		FROM user_trade
		WHERE year(dt) =2018) b on a.user_name=b.user_name;

优化写法：

SELECT  a.user_name 
FROM
		(SELECT user_name,
				count(distinct year(dt)) as year_num 
		FROM user_trade
		WHERE year(dt) in(2017, 2018) 
		GROUP BY user_name) a
WHERE a.year_num=2

技巧四、union all时可以开启并发执行

参数设置： set hive.exec.parallel=true
可以并行的任务较多时，开启并发执行，可以提高执行效率。

每个用户的支付和退款金额汇总

set hive.exec.parallel=true
SELECT  a.user_name,
		sum(a.pay_amount), 
		sum(a.refund_amount)
FROM
	(
		SELECT  user_name,
				sum(pay_amount) as pay_amount, 
				0 as refund_amount
		FROM user_trade 
		WHERE dt>'0' 
		GROUP BY user_name 
		UNION ALL 
		SELECT  user_name,
				0 as pay_amount, 
				sum(refund_amount) as refund_amount 
		FROM user_refund 
		WHERE dt>'0' 
		GROUP BY user_name 
	) a
GROUP BY a.user_name;

技巧五、利用lateral view进行行转列

split()：字符串分割函数.
explode： 行转列函数

列转行函数: concat_ws(‘,’,collect_set(column))

每个品类的购买用户数

SELECT  b.category,
		count(distinct a.user_name)
FROM user_goods_category a 
lateral view explode(split(category_detail,',')) b as category 
GROUP BY b.category;

技巧六、表连接优化

1.小表在前，大表在后
Hive假定查询中最后的一个表是大表，它会将其它表缓存起来，然后扫描最后那个表。.

2.使用相同的连接键
当对3个或者更多个表进行join连接时，如果每个on子句都使用相同的连接键的话，那么只会产生一个MapReduce job

3.尽早的过滤数据
减少每个阶段的数据量，对于分区表要加分区，同时只选择需要使用到的字段。

4.逻辑过于复杂时，引入中间表

技巧七、如何解决数据倾斜

数据倾斜的表现：
任务进度长时间维持在99%（或100%），查看任务监控页面，发现只有少量（1个或几个） reduce子任务未完成。因为其处理的数据量和其他reduce差异过大。

数据倾斜的原因与解决办法：
空值产生的数据倾斜

解决：如果两个表连接时，使用的连接条件有很多空值，建议在连接条件中增加过滤例如: on a.user_id=b.user_id and a.user_id is not null

大小表连接（其中一张表很大，另一张表非常小）
解决：将小表放到内存里，在map端做Join

SELECT  /*+mapjoin(a)*/,
		b.*
FROM a join b on a.**=b.**

两个表连接条件的字段数据类型不一致
解决：将连接条件的字段数据类型转换成一致的
如: on a.user_id=cast(b.user_id as string)

技巧八、如何计算按月累计去重

一般情况下用sum()、over()来计算按一定周期进行累计求和
其实还有更优的解法，去计算按月累计去重

2017、2018年按月累计去重的购买用户数

SELECT  b.year, 
		b.month,
		sum(b.user_num) over(partition by b.year order by b.month)
FROM
	(	SELECT  a.year, 
				a.month,
				count(distinct a.user_name) user_num 
		FROM
			(SELECT year(dt) as year, 
					user_name, 
					min(month(dt)) as month 
			FROM user_trade 
			WHERE year(dt) in(2017,2018)
			GROUP BY year(dt),
					user_name) a 
		GROUP BY a.year, 
				 a.month) b  
ORDER BY b.year，
		 b.month
limit 24;

优化写法：

set hive.mapred.mode=nonstrict;
SELECT  b.month,
		count(distinct a.user_name)
FROM
		(SELECT substr(dt, 1,7) as month,
				user_name
		FROM user_trade
		WHERE year(dt) in(2017,2018)
		GROUP BY substr(dt,1,7),
				 user_name) a
	CROSS JOIN
		(
		SELECT month
		FROM dim_month) b
	WHERE b.month>=a.month
		  and substr(a.month, 1,4) =substr(b.month, 1,4)
GROUP BY b.month;

总结

1.巧用group by
2.利用窗口函数提升聚合计算效率
3.必要时开启并发执行
4.行转列、列转行
5.小技巧提升表连接效率
6.多思路解题