文章目录
- 一、开启本地模式
- 二、explain分析sql语句
- 三、修改Fetch操作
- 四、开启hive的严格模式
- 五、JVM重用
- 六、分区、分桶以及压缩
- 七、合理设置map和ruduce的数量
- 八、设置并行执行
- 九、CBO优化-成本优化器
- 十、谓词下推
- 十一、小表join大表--使用MapJoin
- 十二、大表join大表--使用SMB Join
- 十三、列裁剪与分区裁剪
- 十四、避免数据倾斜
- 1、数据倾斜的表现
- 2、数据倾斜的原因和解决方案
- 1)数据类型不一致造成数据倾斜
- 2)数据中出现大量的null值
- 3)单表group by 出现数据倾斜
- 4)多表join出现数据倾斜
一、开启本地模式
数据量小的hive查询,集群模式浪费资源而且执行速度慢,此时可以开启本地模式,在单台机器上执行处理任务,执行时间会缩短。
二、explain分析sql语句
三、修改Fetch操作
Fetch抓取是指,Hive中对某些情况的查询可以不必使用MapReduce计算,在hive-site.xml文件中hive.fetch.task.conversion属性默认是more,在全局查找、字段查找、limit查找等都不走mapreduce
四、开启hive的严格模式
防止写的烂sql影响集群,开启严格模式以后,以下情况多报SQL错误:
1)分区表不使用分区过滤
2)使用order by没有limit过滤
3)笛卡尔积不允许出现 (select * from emp,dept)
五、JVM重用
jvm重用就是一个虚拟机开启以后,执行多个task任务,再关闭。大大提高执行效率
六、分区、分桶以及压缩
压缩分为map阶段的压缩和reduce阶段的压缩
压缩格式有bzip2、gzip、snappy、lzo
七、合理设置map和ruduce的数量
当input文件很大,任务逻辑复杂,map执行非常慢的时候,可以增加map数量,使每个map处理的数据量减少,提高任务的执行效率
过多的启动和初始化reduce也会消耗时间和资源,所以需要合理的设置reduce的数量
八、设置并行执行
set hive.exec.parallel=true;
set hive.exec.parallel.thread.number=16;
九、CBO优化-成本优化器
可以自动优化HQL中多个Join的顺序,并选择合适的Join算法。
十、谓词下推
所谓的谓词下推就是将where条件提前执行,比如先执行where过滤,再进行join关联
通过谓词下推,过滤条件将在map端提前执行,减少了map端的输出,降低了数据IO,节约资源,提升性能。
十一、小表join大表–使用MapJoin
Map Join :小表进行缓存并发送到各个节点,将数据量小的表放在join的左边,在map端进行join,只有map没有reduce,所有没有Shuffle的过程
十二、大表join大表–使用SMB Join
分桶表join:创建两个分桶表,把大表的数据导入进去,然后让分桶表和分桶表进行join,速度会快,当然在执行之前,需要开启smb join的设置。
十三、列裁剪与分区裁剪
列裁剪就是在查询时只读取需要的列,分区裁剪就是只读取需要的分区。
-- 列裁剪
select name,age from emp;
-- 分区裁剪
select * from emp where dept='技术部';
十四、避免数据倾斜
1、数据倾斜的表现
数据倾斜是由于数据分布不均匀,造成数据大量的集中到一点,造成数据热点的现象。
2、数据倾斜的原因和解决方案
1)数据类型不一致造成数据倾斜
原因:两个表join时,on后面用来连接的两个字段类型不一致
解决办法:把类型转成一致的
如:
select * from users a join logs b on a.usr_id = cast(b.user_id as int)
2)数据中出现大量的null值
第一种情况:
null是异常值:比如userid出现null
解决方法:提前使用where过滤
如:
select * from (select * from user where id is not null) n join
bigtable o on n.id = o.id;
第二种情况:
出现null的数据不是异常数据,需要保留
解决方法:对应为null的数据随机赋一个表中不可能存在的值
如:
select n.* from nullidtable n full join bigtable o on nvl(n.id,rand()) = o.id;
如果id为空,则赋一个0~1之间的随机数字,不包含1,这个数字是id列不可能出现的数字
3)单表group by 出现数据倾斜
原因:按照 Key 分组以后,少量的任务负责绝大部分数据
解决方法:
第一种:使用参数优化
当任务中存在group
by操作同时聚合函数为count或者sum时,可以使用Combine(运行在map端的reduce)操作,在map端提前进行聚合
-- 是否在Map端进行聚合,默认为True
set hive.map.aggr = true
-- 在Map端进行聚合操作的条目数目
set hive.groupby.mapaggr.checkinterval = 100000
-- 有数据倾斜的时候进行负载均衡(默认是false)
set hive.groupby.skewindata = true
第二种:
增加Reduce数量
4)多表join出现数据倾斜
大表join小表:
可以使用MapJoin,没有Reduce阶段就不会出现数据倾斜
还可以使用大表打散,小表扩容
大表join大表:
使用smb join:
分桶表join:创建两个分桶表,把大表的数据导入进去,然后让分桶表和分桶表进行join,速度会快,当然在执行之前,需要开启smb join的设置。