Hive調優技巧

1.Fetch抓取

set hive.fetch.task.conversion=more（默認）
1

Fetch 抓取是指，Hive 中對某些情況的查詢可以不必使用 MapReduce 計算。
該屬性設置為 more 以后，在全局查找、字段查找、limit 查找等都不走 MapReduce。 設置為none后所有類型的查找語句都要走MapReduce；

2.本地模式

set hive.exec.mode.local.auto=true（開啟本地模式）
1

Hive 可以通過本地模式在單臺機器上 處理所有的任務。對于小數據集，執行時間可以明顯被縮短
1.開啟本地模式后需要設置local mr的最大輸入數據量，當數據量小于這個值時采用local mr的方式

set hive.exec.mode.local.auto.inputbytes.max=134217728（默認）
1

2.開啟本地模式后需要設置local mr的最大輸入文件個數，當數據量小于這個值時采用local mr的方式

set hive.exec.mode.local.auto.input.files.max=4（默認）
1

3.表的優化

3.1小表join大表 （小表需要在左邊.）

注: 新版的 hive 已經對小表 JOIN 大表和大表 JOIN 小表進行了優化。小表放在左邊和右邊已經沒有明顯區別

3.2大表join大表

當一個表內有許多空值時會導致MapReduce過程中,空成為一個key值,對應的會有大量的value值, 而一個key的value會一起到達reduce造成內存不足;所以要想辦法過濾這些空值.
1.通過查詢所有不為空的結果

   insert overwrite table jointable select n.* from 
   (select * from nullidtable where id is not null ) n left join ori o on n.id = o.id;
12

2.查詢出空值并給其賦上隨機數,避免了key值為空

insert overwrite table jointable
select n.* from nullidtable n full join ori o on 
case when n.id is null then concat('hive', rand()) else n.id end = o.id;
123

注:此方法可以解決數據傾斜的問題

3.3MapJoin

如果不指定 MapJoin 或者不符合 MapJoin 的條件，那么 Hive 解析器會將 Join 操作轉換成 Common Join，即：在 Reduce 階段完成 join。容易發生數據傾斜。可以用 MapJoin 把小 表全部加載到內存在 map 端進行 join，避免 reducer 處理。

設置MapJoin

set hive.auto.convert.join = true(默認)
1

大表小表的閥門值設置(默認25M以下認為是小表):

 set hive.mapjoin.smalltable.filesize=25000000;
1

3.4Group BY

默認情況下，Map 階段同一 Key 數據分發給一個 reduce，當一個 key 數據過大時就傾斜了并不是所有聚合都在reduce端完成，很多聚合操作都可以現在Map端進行部分聚合，最后在Reduce段得到結果

開啟Map端聚合參數設置
是否在Map段進行聚合，默認為true

hive.map.aggr = true
1

在Map端進行聚合操作的條目數

hive.groupby.mapaggr.checkinterval = 100000
1

有數據傾斜的時候進行負載均衡（默認是false）

hive.groupby.skewindata = true
1

注： 當選項設定為 true，生成的查詢計劃會有兩個 MR Job。第一個 MR Job 中，Map 的輸出結果會隨機分布到 Reduce 中，每個 Reduce 做部分聚合操作，并輸出結果，這樣處理的結果是相同的 Group By Key 有可能被分發到不同的 Reduce 中，從而達到負載均衡的目的；第二個 MR Job 再根據預處理的數據結果按照 Group By Key 分布到 Reduce 中（這個過程可以 保證相同的 Group By Key 被分布到同一個 Reduce 中），最后完成最終的聚合操作。

3.5Count(Distinct)去重統計

Count Distinct是使用了一個mapreduce ，當數據較少時無影響當數據較大時 只使用一個MapReduce將很難完成job。這是需要用到分組 Group BY 會使用2個MapReduce完成因為設置了 set mapreduce.job.reduces = 5; 所以第一個MapReduce的過程是通過一個map和5個reduce來完成這樣減輕了reduce的負載， 雖然會多用一個 Job 來完成，但在數據量大的情況下，這個絕對是值得的。

3.6行列過濾

• 列處理: 在select中，只拿需要的列，盡量使用分區過濾，少用select*
• 行處理: 在分區剪裁中，當使用外關聯時，如果將副表的過濾條件寫在where后面那么就會先全表關聯，之后再過濾。

實例：
1.測試先關聯兩張表，再用 where 條件過濾

hive (default)> select o.id from bigtable bjoin ori o on o.id = b.idwhere o.id <= 10;
1

2.通過子查詢后，再關聯表

hive (default)> select b.id from bigtable b join (select id from ori where id <= 10 ) o on b.id = o.id;
1

3.7.動態分區

關系型數據庫中，對分區表 Insert 數據時候，數據庫自動會根據分區字段的值，將數據插入到相應的分區中，Hive 中也提供了類似的機制，即動態分區(Dynamic Partition)，只不過，使用 Hive 的動態分區，需要進行相應的配置。
首先要設置的屬性

set hive.exec.dynamic.partition = true;
set hive.exec.dynamic.partition.mode = nonstrict;
set hive.exec.max.dynamic.partitions = 1000;
set hive.exec.max.dynamic.partitions.pernode = 100;
set hive.exec.max.created.files = 100000;
set hive.error.on.empty.partition = false;
123456

模擬動態分區

 insert overwrite table ori_partitioned_target partition (p_time)
select id, time, uid, keyword, url_rank, click_num, click_url, p_time from ori_partitioned;
12

4.數據傾斜

4.1合理設置Map數

設置切片值

set mapreduce.input.fileinputformat.split.maxsize=？？？
1

4.2小文件進行合并

在 map 執行前合并小文件，減少 map 數：CombineHiveInputFormat 具有對小文件進行
合并的功能（系統默認的格式）。HiveInputFormat 沒有對小文件合并功能。

set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
1

4.3復雜文件增加Map數

 set mapreduce.job.maps =？？？
1

4.4合理設置Reduce數

1.調整reduce的個數方法一
每個Reduce處理的數據默認是256MB

hive.exec.reducers.bytes.per.reducer=256000000
1

每個任務最大的reduce數，默認為1009

hive.exec.reducers.max=1009
1

計算reduce數的公式

N=min(參數2，總輸入數據量/參數1)
1

2.調整reduce個數的方法二

set mapreduce.job.reduces=？？？
1

3.reduce個數不是越多越好

• 過多的啟動和初始化 reduce 也會消耗時間和資源；
• 另外，有多少個 reduce，就會有多少個輸出文件，如果生成了很多個小文件，那么如果這些小文件作為下一個任務的輸入，則也會出現小文件過多的問題；在設置 reduce 個數的時候也需要考慮這兩個原則：處理大數據量利用合適的 reduce 數；使單個 reduce 任務處理數據量大小要合適；

4.5并行執行

通過設置參數 hive.exec.parallel 值為 true，就可以開啟并發執行。不過，在共享集群中，需要注意下，如果 job 中并行階段增多，那么集群利用率就會增加。

set hive.exec.parallel=true; //打開任務并行執行
set hive.exec.parallel.thread.number=16; //同一個 sql 允許最大并行度，默認為 8。