Hive 性能调优

• 避免执行MR 
  
  • select * or select field1,field2
  • limit 10
  • where语句中只有分区字段或该表的本地字段
  • 使用本地set hive.exec.mode.local.auto=true;

• EXPLAIN的使用 
  hive对sql的查询计划信息解析 
  EXPLAIN SELECT COUNT(1) FROM T_TABLE; 
  EXPLAIN EXTENDED SELECT COUNT(1) FROM T_TABLE;(更为详细)

• 本地MR（提高本地资源利用率，一般在测试时使用） 
  
  • 本地模式设置 
    set mapred.job.tracker=local; 
    set hive.exec.mode.local.auto=true; （开启自动本地模式） 
    set hive.exec.mode.local.auto.inputbytes.max（默认134217728，设置local mr的最大输入数据量,当输入数据量小于这个值的时候会采用local mr的方式） 
    set hive.exec.mode.local.auto.input.files.max （默认是4， 
    设置local mr的最大输入文件个数,当输入文件个数小于这个值的时候会采用local mr的方式）

• 开启并行计算 
  set hive.exec.parallel=true; （增加集群利用率） 
  
  

• 设置严格模式 
  set hive.mapred.mode=strict | nostrict;

  strict可以禁止三种类型的查询

  1、分区表必须使用 where 分区条件过滤 
  

  2、Order by语句必须使用 limit 
  

  3、限制笛卡尔积查询

• 调整mapper和reducer的数量 
  
  • 太多map导致启动产生过多开销
  • 按照输入数据量大小确定reducer数目, 
    
    • set mapred.reduce.tasks= 默认3
    • dfs -count /分区目录/*
    • hive.exec.reducers.max设置阻止资源过度消耗

• JVM重用

  set mapred.job.reuse.jvm.num.task=10 （会一直占用task槽，占用内存）

• 排序语句

  order by : 全局排序 
  sort    by : 是单reduce排序 
  distribute by : 分区字段排序;

  sort by distribute by 配合使用（相同数据会被分发到同一个reduce上，类似order by） 
  select id from t_bucket distribute by id sort by id desc limit 10; 
  cluster by 
        可以确保类似的数据的分发到同一个reduce task中，并且保证数据有序防止所有的数据分发到同一个reduce上，导致整体的job时间延长

  cluster by语句的等价语句 
  distribute by idsort by id == cluster by

• Map-side聚合

  set hive.map.aggr=true; 
  这个设置可以将顶层的聚合操作放在Map阶段执行，从而减轻清洗阶段数据传输和Reduce阶段的执行时间，提升总体性能。

  该设置会消耗更多的内存