hive调优

需要调优的几个方面：

        1.HIVE语句执行不了

        2.HIVE查询语句，在集群中执行时，数据无法落地

            HIVE执行时，一开始语句检查没有问题，生成了多个JOB，

            并且一开JOB中的Map 及 Reduce 正常运行，之后便报异常包括 OOM 异常等

        3.HIVE查询语句，执行时，Map或者Reduce端数据处理异常慢，导致整个执行效率低

 

    调优方式：

        1.分区、分桶

            为什么分区或者分桶？

            分区的好处，在扫描表时，会根据查询语句中的过滤条件，将固定分区中的数据加载至内存中

            避免了表的全表扫描。

            分桶好处？ 在获取数据时，根据查询的数据，进行做hash操作，将需要获取的数据指定到具体的桶中

            ，这样只获取固定部分桶数据，减小了数据的加载量

       

        2.使用外部表

            外部表和普通表的区别？ 删除数据时，外部表不会将HDFS中对应表路径中的数据删除

        3.选择适当的文件压缩格式

            1.对于刚采集过的源数据，需要用TextFile格式进行保存，需要保证源数据的格式及内容和原先一致

            2.对于处理过的数据，一般对数据进行压缩保存(需要考虑实际情况)

        4.命名要规范

            创建表时，需要遵守:

                如果数据存储在dwd中那么建表时需要将 dwd 放至 表的开端

                同时后面的业务名称需要和库名用 _ 进行分隔

        5.数据分层，表分离，但是也不要分的太散

            数据分层：

                将不同类型的数据，应当存储在不同库中，

                比如 维度表 应当存储在 维度库 、原始数据应当存储在ODS库中专门做管理

            表分离：

                在实际业务过程中，有一些表的维度比较大，单个表的存储压力大

                同时数据读取时，拉去的数据内容比较多，但是所需要的字段较少，浪费计算资源

                可以将表中相同类型的信息切分至多个表中，根据实际业务需要进行读取数据

                如果分的太散，那么也会造成数据冗余，并且加载表过多，计算慢

        6.分区裁剪 where过滤，先过滤，后join

            1.针对分区表数据，可以通过where条件进行过滤数据，之后再进行其他操作

            2.适当的使用一些子查询，将子查询中的数据进行初步过滤，然后再与其他表数据进行关联

        7.mapjoin（1.2以后自动默认启动mapjoin）

            select /*+mapjoin(b)*/ a.xx,b.xxx from a left outer join b on a.id=b.id