关于sql:Hive-在工作中的调优总结

总结了一下在以往工作中，对于 Hive SQL 调优的一些理论利用，是日常积攒的一些优化技巧，如有出入，欢送在评论区留言探讨~

分区表基本操作，partitioned
二级分区
动静分区

分桶表基本操作，clustered
分桶表次要是抽样查问，找出具备代表性的后果

LZO，拉兹罗
Snappy
压缩速度快，压缩比高

列裁剪和分区裁剪，全表和全列扫描效率都很差，生产环境相对不要应用SELECT *，所谓列裁剪就是在查问时只读取须要的列，分区裁剪就是只读取须要的分区
- 与列裁剪优化相干的配置项是hive.optimize.cp，默认是 true
- 与分区裁剪优化相干的则是hive.optimize.pruner，默认是 true
- 在 HiveSQL 解析阶段对应的则是 ColumnPruner 逻辑优化器

Group By 配置调整，map阶段会把同一个 key 发给一个 reduce，当一个key 过大时就歪斜了，能够开启 map 端预聚合，能够无效缩小 shuffle 数据量并

# 是否在 map 端聚合，默认为 true
set hive.map.aggr = true;

# 在 map 端聚合的条数
set hive.groupby.mapaggr.checkintervel = 100000;

# 在数据歪斜的时候进行平衡负载（默认是 false），开启后会有 两个 `mr 工作 `。# 当选项设定为 true 时，第一个 `mr 工作 ` 会将 map 输入的后果随机调配到 `reduce`，# 每个 `reduce` 会随机散布到 `reduce` 上，这样的处理结果是会使雷同的 `group by key` 分到不同的 `reduce` 上。# 第二个 `mr 工作 ` 再依据预处理的后果按 `group by key` 分到 `reduce` 上，# 保障雷同 `group by key` 的数据分到同一个 `reduce` 上。# * 切记！！！* 
# 这样能解决数据歪斜，然而不能让运行速度更快  
# 在数据量小的时候，开始数据歪斜负载平衡可能反而会导致工夫变长  
# 配置项毕竟是死的，单纯靠它有时不能基本上解决问题
# 因而还是倡议自行理解数据歪斜的细节，并优化查问语句  
set hive.groupby.skewindata = true;

Vectorization，矢量计算技术，通过设置批处理的增量大小为 1024 行单次来达到比单行单次更好的效率

# 开启矢量计算  
set hive.vectorized.execution.enabled = true;

# 在 reduce 阶段开始矢量计算  
set hive.vectorized.execution.reduce.enabled = true;

多重模式，一次读取屡次插入，同一张表的插入操作优化成先 from table 再insert
in/exists 或者 join 用 left semi join 代替（为什么代替扩大一下~）

CBO 优化，老本优化器，代价最小的执行打算就是最好的执行打算
- join 的时候表的程序关系，后面的表都会被加载到内存中，前面的表进行磁盘扫描
- 通过hive.cbo.enable，主动优化 hivesql 中多个 join 的执行程序
- 能够通过查问一下参数，这些个别都是 true，无需批改
```
set hive.cbo.enable = true;
set hive.compute.query.using.stats = true;
set hive.stats.fetch.column.stats = true;
set hive.stats.fetch.partition.stats = true;
```

谓词下推（十分要害的一个优化 ），将sql 语句中的 where 谓词逻辑都尽可能提前执行，缩小上游解决的数据量，
在关系型数据库如 MySQL 中，也有 谓词下推（Predicate Pushdown，PPD）的概念，
它就是将 sql 语句中的 where 谓词逻辑都尽可能提前执行，缩小上游解决的数据量

# 这个设置是默认开启的 
# 如果敞开了然而 cbo 开启，那么敞开仍然不会失效 
# 因为 cbo 会主动应用更为高级的优化打算  
# 与它对应的逻辑优化器是 PredicatePushDown
# 该优化器就是将 OperatorTree 中的 FilterOperator 向上提
set hive.optimize.pdd = true;

# 举个例子
# 对 forum_topic 做过滤的 where 语句写在子查问外部，而不是内部
select a.uid,a.event_type,b.topic_id,b.title
from calendar_record_log a
left outer join (
  select uid,topic_id,title from forum_topic
  where pt_date = 20220108 and length(content) >= 100
) b on a.uid = b.uid
where a.pt_date = 20220108 and status = 0;

Map Join，map join是指将 join 操作两方中比拟小的表间接散发到各个 map 过程的内存中，在 map 中进行 join 的操作。
map join特地适宜 大小表 join的状况，Hive 会将 build table 和probe table在 map 端间接实现 join 过程，毁灭了reduce，缩小shuffle，所以会缩小开销

set hive.auto.convert.join = true，配置开启，默认是 true
留神！！！ 如果执行 小表 join 大表 ，小表作为主连贯的主表，所有数据都要写出去，此时会走reduce 阶段，mapjoin会生效
大表 join 小表 不受影响，上一条的起因次要是因为 小表 join 大表 的时候，map阶段不晓得 reduce 的后果其余 reduce 是否有，

所以必须在最初 reduce 聚合的时候再解决，就产生了 reduce 的开销

# 举个例子
# 在最常见的 `hash join` 办法中，个别总有一张绝对小的表和一张绝对大的表，# 小表叫 `build table`，大表叫 `probe table`  
# Hive 在解析带 join 的 SQL 语句时，会默认将最初一个表作为 `probe table`，# 将后面的表作为 `build table` 并试图将它们读进内存  
# 如果表程序写反，`probe table` 在后面，引发 `OOM（内存不足）` 的危险就高了  
# 在维度建模数据仓库中，事实表就是 `probe table`，维度表就是 `build table`  
# 假如当初要将日历记录事实表和记录项编码维度表来 `join`  
select a.event_type,a.event_code,a.event_desc,b.upload_time
from calendar_event_code a
inner join (
select event_type,upload_time from calendar_record_log
where pt_date = 20220108
) b on a.event_type = b.event_type;

Map Join，大表和大表的MapReduce 工作，能够应用SMB Join
- 间接 join 耗时会很长，然而依据某字段分桶后，两个大表每一个桶就是一个小文件，两个表的每个小文件的分桶字段都应该可能一一对应（hash 值取模的后果）
- 总结就是分而治之，留神两个大表的分桶字段和数量都应该保持一致
```
set hive.optimize.bucketmapjoin = true;
set hive.optimeize.bucketmapjoin.sortedmerge = true;
hive.input.format = org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;
```

多表 join 时 key 雷同，这种状况会将多个 join 合并为一个 mr 工作 来解决

# 举个例子
# 如果上面两个 join 的条件不雷同  
# 比方改成 a.event_code = c.event_code  
# 就会拆成两个 MR job 计算
select a.event_type,a.event_code,a.event_desc,b.upload_time
from calendar_event_code a
inner join (
  select event_type,upload_time from calendar_record_log
  where pt_date = 20220108
) b on a.event_type = b.event_type
inner join (
  select event_type,upload_time from calendar_record_log_2
  where pt_date = 20220108
) c on a.event_type = c.event_type;

笛卡尔积，在生产环境中严禁应用

Sort By 代替 Order By，HiveQL 中的 order by 与其余 sql 方言中的性能一样，就是将后果按某字段全局排序，这会导致所有 map 端数据都进入一个 reducer 中，
在数据量大时可能会长工夫计算不完。如果应用 sort by，那么还是会视状况启动 多个 reducer 进行排序 ，并且保障每个reducer 内部分有序。
为了管制 map 端数据调配到 reducer 的key，往往还要配合 distribute by 一起应用，如果不加 distribute by 的话，map端数据就会随机调配到reducer
```
# 举个例子
select uid,upload_time,event_type,record_data
from calendar_record_log
where pt_date >= 20220108 and pt_date <= 20220131
distribute by uid
sort by upload_time desc,event_type desc;
```
Group By 代替 Distinct，当要统计某一列的去重数时，如果数据量很大，count(distinct)就会十分慢，起因与 order by 相似，
count(distinct)逻辑只会有很少的 reducer 来解决。然而这样写会启动两个 mr 工作（单纯 distinct 只会启动一个），
所以要确保数据量大到启动mr 工作 的overhead远小于计算耗时，才思考这种办法，当数据集很小或者 key 的歪斜比拟显著时，group by还可能会比 distinct 慢

留神要和数据适量的状况辨别开，数据歪斜是大部分工作都曾经执行结束，然而某一个工作或者少数几个工作，始终未能实现，甚至执行失败，
而数据适量，是大部分工作都执行的很慢，这种状况须要通过裁减执行资源的形式来加快速度，大数据编程不怕数据量大，就怕数据歪斜，一旦数据歪斜，重大影响效率

工作中存在 group by 操作，同时聚合函数为 count 或sum，单个 key 导致的数据歪斜能够这样通过设置开启 map 端预聚合参数的形式来解决

# 是否在 map 端聚合，默认为 true
set hive.map.aggr = true;

# 在 map 端聚合的条数
set hive.groupby.mapaggr.checkintervel = 100000;

# 有数据歪斜的时候开启负载平衡，这样会生成两个 mr 工作
set hive.groupby.skewindata = true;

工作中存在 group by 操作，同时聚合函数为 count 或sum，多个 key 导致的数据歪斜能够通过减少 reduce 的数量来解决

减少分区能够缩小不同分区之间的数据量差距，而且减少的分区时候不能是之前分区数量的倍数，不然会导致取模后果雷同持续分在雷同分区

第一种批改形式

# 每个 reduce 解决的数量
set hive.exec.reduce.bytes.per.reducer = 256000000;

# 每个工作最大的 reduce 数量
set hive.exec.reducers.max = 1009;

# 计算 reducer 数的公式，依据工作的须要调整每个工作最大的 reduce 数量  
N = min（设置的最大数，总数量数 / 每个 reduce 解决的数量）

第二种批改形式

# 在 hadoop 的 mapred-default.xml 文件中批改
set mapreduce.job.reduces = 15;

设置参数减少 map 数量

# join 的 key 对应记录条数超过该数量，会进行分拆  
set hive.skewjoin.key = 1000;

# 并设置该参数为 true，默认是 false
set hive.optimize.skewjoin = true;

# 下面的参数如果开启了会将计算数量超过阈值的 key 写进临时文件，再启动另外一个工作做 map join  
# 能够通过设置这个参数，管制第二个工作的 mapper 数量，默认 10000
set hive.skewjoin.mapjoin.map.tasks = 10000;

应用 mapjoin，缩小reduce 从根本上解决数据歪斜，参考HiveSQL 语法优化 -> 多表查问优化 -> Map Join，大表和大表的 MapReduce 工作，SMB Join

这种状况很常见，比方当 事实表是日志类数据 时，往往会有一些项没有记录到，咱们视状况会将它置为 null，或者 空字符串 、-1 等，
如果缺失的项很多，在做 join 时这些空值就会十分集中，连累进度，因而，若不须要空值数据，就提前写 where 语句过滤掉，
须要保留的话，将空值 key 用随机形式打散，例如将 用户 ID 为 null 的记录随机改为负值：

select a.uid,a.event_type,b.nickname,b.age
from (
  select 
  (case when uid is null then cast(rand()*-10240 as int) else uid end) as uid,
  event_type from calendar_record_log
  where pt_date >= 20220108
) a left outer join (select uid,nickname,age from user_info where status = 4) b on a.uid = b.uid;

比方 int 类型和 string 类型进行关联，关联时候以小类型作为分区，这里 int、string 会到一个 reduceTask 中，如果数据量多，会造成数据歪斜

# 能够通过转换为同一的类型来解决
cast(user.id as string)

这其实是下面解决空值办法的拓展，不过歪斜的 key 变成了有意义的，一般来讲歪斜的 key 都很少，咱们能够将它们抽样进去，
对应的行独自存入长期表中，而后打上一个较小的随机数前缀（比方0~9），最初再进行聚合

Map 数过大
- map阶段输入文件太小，产生大量小文件
- 初始化和创立 map 的开销很大
Map 数太小
- 文件解决或查问并发度小，Job执行工夫过长
- 大量作业时，容易梗塞集群

依据理论状况，管制 map 数量须要遵循两个准则

第一是使大数据量利用适合的 map 数
第二是使单个 map 工作解决适合的数据量

当 input 的文件都很大，工作逻辑简单，map执行十分慢的时候，能够思考减少 map 数，来使得每个 map 解决的数据量缩小，从而进步工作的执行效率
那么如何减少 map 的数量呢？在 map 阶段，文件先被切分成 split 块，而后每一个 split 切片对应一个 Mapper 工作，
FileInputFormat 这个类先对输出文件进行逻辑上的划分，以 128m 为单位，将原始数据从逻辑上宰割成若干个 split，每个split 切片对应一个 mapper 工作，
所以说缩小切片的大小就可减少map 数量
能够根据公式计算computeSliteSize(Math.max(minSize, Math.min(maxSize, blockSize))) = blockSize = 128m
执行语句：set mapreduce.input.fileinputformat.split.maxsize = 100;

为什么要进行小文件合并？因为如果一个工作有很多小文件（远远小于块大小 128m），则每个小文件也会被当做一个块，用一个 map 工作来实现，
而一个 map 工作启动和初始化的工夫远远大于逻辑解决的工夫，就会造成很大的资源节约，同时可执行的 map 数是受限的
两种形式合并小文件

在 Map 执行前 合并小文件，缩小 map 数量

// 每个 Map 最大输出大小(这个值决定了合并后文件的数量)
set mapred.max.split.size = 256000000;

// 一个节点上 split 的至多的大小(这个值决定了多个 DataNode 上的文件是否须要合并)
set mapred.min.split.size.per.node = 100000000;

// 一个交换机下 split 的至多的大小(这个值决定了多个交换机上的文件是否须要合并)
set mapred.min.split.size.per.rack = 100000000;

// 执行 Map 前进行小文件合并
set hive.input.format = org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

在 Map-Reduce 工作执行完结时 合并小文件，缩小小文件输入

// 设置 map 端输入进行合并，默认为 true
set hive.merge.mapfiles = true;

// 设置 reduce 端输入进行合并，默认为 false
set hive.merge.mapredfiles = true;

// 设置合并文件的大小，默认是 256
set hive.merge.size.per.task = 256 * 1000 * 1000;

// 当输入文件的均匀大小小于该值时，启动一个独立的 `MapReduce 工作 ` 进行文件 `merge`。set hive.merge.smallfiles.avgsize = 16000000;

相当于在 map 端执行combiner，执行命令：set hive.map.aggr = true;
combiners是对 map 端的数据进行适当的聚合，其益处是缩小了从 map 端到 reduce 端的数据传输量
其作用的实质，是将 map 计算的后果进行二次聚合，使 Key-Value<List> 中List的数据质变小，从而达到缩小数据量的目标

在分布式集群环境下，因为程序 Bug（包含 Hadoop 自身的 bug），负载不平衡或者资源散布不均等起因，会造成同一个作业的多个工作之间运行速度不统一，
有些工作的运行速度可能显著慢于其余工作（比方一个作业的某个工作进度只有 50%，而其余所有工作曾经运行结束），则这些工作会拖慢作业的整体执行进度
Hadoop 采纳了 揣测执行（Speculative Execution）机制，它依据肯定的法令揣测出拖后腿的工作，并为这样的工作启动一个备份工作，
让该工作与原始工作同时解决同一份数据，并最终选用最先胜利运行实现工作的计算结果作为最终后果
执行命令：set mapred.reduce.tasks.speculative.execution = true; # 默认是 true
当然，如果用户对于运行时的偏差十分敏感的话，那么能够将这些性能敞开掉，如果用户因为输出数据量很大而须要执行长时间的 map task 或者 reduce task 的话，
那么启动揣测执行造成的节约是十分微小的

假如一个 SQL 工作：

SELECT COUNT(1) 
FROM fx67ll_alarm_count_copy
WHERE alarm_date = "2021-01-08";

该工作的输出目录 inputdir 是：/group/fx67ll_data/fx67ll_data_etl/date/fx67ll_alarm_count_copy/alarm_date=2021-01-08，共有 194 个文件，
其中很多是远远小于 128m 的小文件，总大小约 9G，失常执行会用194 个 Map 工作，map 总共耗费的计算资源：SLOTS_MILLIS_MAPS= 610,023
通过在 Map 执行前合并小文件，缩小 Map 数

# 后面三个参数确定合并文件块的大小
# 大于文件块大小 128m 的，依照 128m 来分隔 
# 小于 128m, 大于 100m 的，依照 100m 来分隔
# 把那些小于 100m 的（包含小文件和分隔大文件剩下的），进行合并，最终生成了 74 个块
set mapred.max.split.size=100000000;
set mapred.min.split.size.per.node=100000000;
set mapred.min.split.size.per.rack=100000000;
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

合并后，用了 74 个 map 工作，map耗费的计算资源：SLOTS_MILLIS_MAPS= 323,098，对于这个简略 SQL 工作，执行工夫上可能差不多，但节俭了一半的计算资源

再假如这样一个 SQL 工作：

SELECT data_fx67ll,
COUNT(1),
COUNT(DISTINCT id),
SUM(CASE WHEN …),
SUM(CASE WHEN …),
SUM(…)
FROM fx67ll_device_info_zs
GROUP data_fx67ll

如果表 fx67ll_device_info_zs 只有一个文件，大小为 120m，但蕴含几千万的记录，如果用 1 个map 去实现这个工作，必定是比拟耗时的，
这种状况下，咱们要思考将这一个文件正当的拆分成多个
减少 Reduce 数量，来减少 Map 数量

set mapred.reduce.tasks=10;
CREATE TABLE fx67ll_device_info_zs_temp
AS
SELECT * 
FROM fx67ll_device_info_zs
DISTRIBUTE BY RAND(123);

这样会将 fx67ll_device_info_zs 表的记录，随机的扩散到蕴含 10 个文件的 fx67ll_device_info_zs_temp 表中，
再用 fx67ll_device_info_zs_temp 代替下面 sql 中的 fx67ll_device_info_zs 表，
则会用 10 个 map 工作去实现，每个 map 工作解决大于 12m（几百万记录） 的数据，效率必定会好很多

同 map 一样，启动和初始化 reduce 也会耗费工夫和资源
另外，有多少个reduce，就会有多少个输入文件，如果生成了很多个小文件，那么如果这些小文件作为下一个工作的输出，则也会呈现小文件过多的问题

和 map 一样，管制 reduce 数量须要遵循两个准则

第一是使大数据量利用适合的 reduce 数
第二是使单个 reduce 工作解决适合的数据量

reduce个数的设定极大影响工作执行效率，不指定 reduce 个数的状况下，Hive 会猜想确定一个 reduce 个数，基于以下两个设定：

# 每个 reduce 工作解决的数据量，默认为 1000^3=1G
hive.exec.reducers.bytes.per.reducer

# 每个工作最大的 reduce 数，默认为 999
hive.exec.reducers.max

计算 reducer 数的公式很简略 N = min(参数 2，总输出数据量 / 参数 1)
即，如果 reduce 的输出（map的输入）总大小不超过 1G，那么只会有一个 reduce 工作

举个例子：

SELECT alarm_date,
        COUNT(1) 
FROM fx67ll_alarm_count_copy
WHERE alarm_date = "2021-01-08"
GROUP BY alarm_date;

该工作的输出目录 inputdir 是：/group/fx67ll_data/fx67ll_data_etl/date/fx67ll_alarm_count_copy/alarm_date=2021-01-08，
总大小为 9G 多，因而这句有 10 个reduce

留神！！！理论开发中，reduce 的个数个别通过程序主动推定，而不人为干预，因为人为管制的话，如果使用不当很容易造成后果不精确，且升高执行效率

通过调整每个 reduce 工作解决的数据量来调整 reduce 个数，解决的数据量少了，工作数就多了

# 设置每个 reduce 工作解决的数据量 500M，默认是 1G
set hive.exec.reducers.bytes.per.reducer = 500000000;

SELECT alarm_date,
        COUNT(1) 
FROM fx67ll_alarm_count_copy
WHERE alarm_date = "2021-01-08"
GROUP BY alarm_date;

这次有 20 个 reduce

间接调整每个 Job 中的最大 reduce 数量，过于简略粗犷，慎用，尽量不要，尽管设置了 reduce 的个数看起来如同执行速度变快了，然而理论并不是这样的

# 设置每个工作最大的 reduce 数为 15 个，默认为 999
set mapred.reduce.tasks = 15;

SELECT alarm_date,
        COUNT(1) 
FROM fx67ll_alarm_count_copy
WHERE alarm_date = "2021-01-08"
GROUP BY alarm_date;

这次有 15 个 reduce

参考 map 优化的最初一项

很多时候你会发现工作中不论数据量多大，不论你有没有设置调整 reduce 个数的参数，工作中始终都只有一个 reduce 工作，
其实只有一个 reduce 工作的状况，除了数据量小于 hive.exec.reducers.bytes.per.reducer 参数值的状况外，还有以下起因：

没有 Group By 的汇总，例如：

SELECT alarm_date,
        COUNT(1) 
FROM fx67ll_alarm_count_copy
WHERE alarm_date = "2021-01-08"
GROUP BY alarm_date;

写成

SELECT COUNT(1) 
FROM fx67ll_alarm_count_copy
WHERE alarm_date = "2021-01-08";

留神防止这样状况的产生

用了 Order by 排序，因为它会对数据进行全局排序，所以数据量特地大的时候效率非常低，尽量避免
有笛卡尔积，生产环境必须严格防止

Fetch 抓取 是指 Hive 在某些状况的查问能够不用应用 mr 工作，例如在执行一个简略的select * from XX 时，咱们只须要简略的进行抓取对应目录下的数据即可。
在 hive-default.xml.template 中，hive.fetch.task.conversion（默认是 morn），老版本中默认是 minimal。
该属性为 morn 时，在全局查找，字段查找，limit 查找等都不走mr 工作

Hive 也能够不将工作提交到集群进行运算，而是间接在一台节点上解决，因为打消了提交到集群的 overhead，所以比拟适宜数据量很小，且逻辑不简单的工作。
设置 hive.exec.mode.local.auto 为 true 能够开启本地模式，但工作的输出数据总量必须小于 hive.exec.mode.local.auto.inputbytes.max（默认值 128MB），
且 mapper 数必须小于 hive.exec.mode.local.auto.tasks.max（默认值 4），reducer 数必须为 0 或 1 ，才会真正用本地模式执行

Hive 中相互没有依赖关系的 job 间是能够并行执行的，最典型的就是多个子查问 union all，
在集群资源绝对短缺的状况下，能够开启并行执行，行将参数 hive.exec.parallel 设为 true，
另外 hive.exec.parallel.thread.number 能够设定并行执行的线程数，默认为 8，个别都够用。
留神！！！没资源无奈并行，且数据量小时开启可能还没不开启快，所以倡议数据量大时开启

要开启严格模式，须要将参数 hive.mapred.mode 设为 strict。
所谓严格模式，就是强制不容许用户执行 3 种有危险的 sql 语句，一旦执行会间接失败，这 3 种语句是：

查问分区表时不限定分区列的语句
两表 join 产生了笛卡尔积的语句
用 order by 来排序但没有指定 limit 的语句

次要用于解决小文件过多的时候
在 mr 工作 中，默认是每执行一个 task 就启动一个 JVM，如果task 十分小而碎，那么 JVM 启动和敞开的耗时就会很长
能够通过调节参数 mapred.job.reuse.jvm.num.tasks 来重用
例如将这个参数设成 5，那么就代表同一个 mr 工作 中程序执行的 5 个 task 能够重复使用一个 JVM，缩小启动和敞开的开销，但它对不同mr 工作 中的 task 有效

压缩 job 的两头后果数据和输入数据，能够用大量 CPU 工夫节俭很多空间，压缩形式个别抉择 Snappy，效率最高。
要启用两头压缩，须要设定 hive.exec.compress.intermediate 为 true，
同时指定压缩形式 hive.intermediate.compression.codec 为org.apache.hadoop.io.compress.SnappyCodec。
另外，参数 hive.intermediate.compression.type 能够抉择对 块（BLOCK）还是 记录（RECORD）压缩，BLOCK 的压缩率比拟高。
输入压缩的配置基本相同，关上 hive.exec.compress.output 即可

在 Hive SQL 的 create table 语句中，能够应用 stored as ... 指定表的存储格局。
Hive 表反对的存储格局有 TextFile、SequenceFile、RCFile、Avro、ORC、Parquet 等。
存储格局个别须要依据业务进行抉择，在咱们的实操中，绝大多数表都采纳 TextFile 与Parquet两种存储格局之一。
TextFile是最简略的存储格局，它是纯文本记录，也是 Hive 的默认格局，尽管它的磁盘开销比拟大，查问效率也低，但它更多地是作为跳板来应用。
RCFile、ORC、Parquet等格局的表都不能由文件间接导入数据，必须由 TextFile 来做直达。
Parquet和 ORC 都是 Apache 旗下的开源列式存储格局。列式存储比起传统的行式存储更适宜 批量 OLAP 查问，并且也反对更好的压缩和编码。
咱们抉择 Parquet 的起因次要是它反对 Impala 查问引擎，并且咱们对update、delete 和事务性操作 需要很低。

动静分区插入数据，产生大量的小文件，从而导致 map 数量剧增
reduce 数量越多，小文件也越多，有多少个 reduce，就会有多少个输入文件，如果生成了很多小文件，那这些小文件作为下一次工作的输出
数据源自身就蕴含大量的小文件

从 Hive 的角度看，小文件会开很多 map，一个 map 开一个 java 虚拟机 jvm 去执行，所以这些工作的初始化，启动，执行会节约大量的资源，重大影响性能
在 hdfs 中，每个小文件对象约占 150byte，如果小文件过多会占用大量内存，这样 NameNode 内存容量重大制约了集群的扩大
- 每个 hdfs 上的文件，会耗费 128 字节记录其 meta 信息，所以大量小文件会占用大量内存

应用 Sequencefile 作为表存储格局，不要用 textfile，在肯定水平上能够缩小小文件
缩小 reduce 的数量(能够应用参数进行管制)
少用动静分区，用时记得按 distribute by 分区

对于已有的小文件
应用 hadoop archive 命令把小文件进行归档，采纳 archive 命令不会缩小文件存储大小，只会压缩 NameNode 的空间应用
重建表，建表时缩小 reduce 数量

我是 fx67ll.com，如果您发现本文有什么谬误，欢送在评论区探讨斧正，感谢您的浏览！
如果您喜爱这篇文章，欢送拜访我的本文 github 仓库地址，为我点一颗 Star，Thanks~ :)
转发请注明参考文章地址，非常感谢！！！

EXPLAIN 查看执行打算

建表优化

分区

分桶

抉择适合的文件格式和压缩格局

HiveSQL 语法优化

单表查问优化

多表查问优化

其余查问优化

数据歪斜

单表携带了 Group By 字段的查问

两表或多表的 join 关联时，其中一个表较小，然而 key 集中

两表或多表的 join 关联时，有 Null 值 或 无意义值

两表或多表的 join 关联时，数据类型不对立

独自解决歪斜 key

Hive Job 优化

Hive Map 优化

Map 数量多少的影响

管制 Map 数的准则

简单文件适当减少 Map 数

小文件进行合并缩小 Map 数

Map 端预聚合缩小 Map 数量

揣测执行

正当管制 Map 数量的理论案例

Hive Reduce 优化

Reduce 数量多少的影响

管制 Reduce 数的准则

Hive 本人如何确定 Reduce 数

如何调整 Reduce 数量

揣测执行

什么状况下只有一个 Reduce

Hive 工作整体优化

Fetch 抓取

本地模式

并行执行

严格模式

JVM 重用

启用压缩

采纳适合的存储格局

Hive 的小文件

什么状况下会产生小文件?

小文件有什么样的危害？

如何防止小文件带来的危害？

从小文件产生的途经就能够从源头上管制小文件数量

对于已有的小文件

两表或多表的 join 关联时，有 Null 值或无意义值