Hive 3.x|第十天|表的优化

小表Join大表

倾向把数据量小的表放在join的左边，可以使用map join让小的维度表先进内存，在map端完成join。
实际测试发现：新版的 hive 已经对小表 JOIN 大表和大表 JOIN 小表进行了优化。小表放在左边和右边已经没有区别。

步骤

1. 设置自动选择 Mapjoin

set hive.auto.convert.join = true; 默认为 true

大表小表的阈值设置（默认 25M 以下认为是小表）：

set hive.mapjoin.smalltable.filesize =25000000;

大表Join大表

空 KEY 过滤

有时 join 超时是因为某些 key 对应的数据太多，而相同 key 对应的数据都会发送到相同
的 reducer 上，从而导致内存不够。
此时应仔细分析这些异常的 key，很多情况下，这些 key 对应的数据是异常数据，需要在 SQL 语句中进行过滤。

测试不过滤空 id
hive (default)> insert overwrite table jointable select n.* from nullidtable n left join bigtable o on n.id = o.id;
测试过滤空 id
hive (default)> insert overwrite table jointable select n.* from (select * from nullidtable where id is not null) n left join bigtable o on n.id = o.id;

空 key 转换

有时虽然某个 key 为空对应的数据很多，但是相应的数据不是异常数据，必须要包含在
join 的结果中。
此时可将表 a 中 key 为空的字段赋一个随机的值，使得数据随机均匀地分不到不同的 reducer 上。

nvl()：给值为 NULL 的数据赋值

insert overwrite table jointable select n.* from nullidtable n full join bigtable o on  nvl(n.id,rand()) = o.id;

SMB Join

使用分桶表进行join

1. 创建分桶表

create table bigtable_buck1(
id bigint,
t bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url string)
clustered by(id)
sorted by(id)
into 6 buckets
row format delimited fields terminated by ‘\t’;
load data local inpath ‘/opt/module/data/bigtable’ into table
bigtable_buck1;

2. 设置参数

set hive.optimize.bucketmapjoin = true;

set hive.optimize.bucketmapjoin.sortedmerge = true;

set
hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;

Group By

默认情况下，Map 阶段同一 Key 数据分发给一个 reduce，当一个 key 数据过大时就倾斜
了。
并不是所有的聚合操作都需要在 Reduce 端完成，很多聚合操作都可以先在 Map 端进行
部分聚合，最后在 Reduce 端得出最终结果。

步骤

1. 是否在 Map 端进行聚合，默认为 True

set hive.map.aggr = true

2. 在 Map 端进行聚合操作的条目数目

set hive.groupby.mapaggr.checkinterval = 100000

3. 有数据倾斜的时候进行负载均衡（默认是 false）

set hive.groupby.skewindata = true

当上述选项设定为 true，生成的查询计划会有两个 MR Job。
第一个 MR Job 中，Map 的输出结果会随机分布到 Reduce 中，每个 Reduce 做部分聚合操作，并输出结果。
这样处理的结果让相同的 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 Group By Key 被分布到同一个 Reduce 中），最后完成最终的聚合操作。

Count(Distinct) 去重统计

数据量大的情况下，由于 COUNT DISTINCT 操作需要用一个Reduce Task 来完成，这一个 Reduce 需要处理的数据量太大，就会导致整个 Job 很难完成。
一般 COUNT DISTINCT 使用先 GROUP BY 再 COUNT 的方式替换,但是需要注意 group by 造成的数据倾斜问题。

笛卡尔积

尽量避免笛卡尔积，join 的时候不加 on 条件，或者无效的 on 条件，Hive 只能使用 1 个reducer 来完成笛卡尔积。

行列过滤

列处理：在 SELECT 中，只拿需要的列，如果有分区，尽量使用分区过滤，少用 SELECT *。
行处理：在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在 Where 后面，那么就会先全表关联，之后再过滤。

复杂文件增加 Map 数

当 input 的文件都很大，任务逻辑复杂，map 执行非常慢的时候，可以考虑增加 Map 数，
来使得每个 map 处理的数据量减少，从而提高任务的执行效率。

根据
computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M 公式，调整 maxSize 最大值。让 maxSize 最大值低于 blocksize 就可以增加 map 的个数。

//设置最大切片值为 100 个字节
set mapreduce.input.fileinputformat.split.maxsize=100;