Hive 优化
核心思想：把Hive SQL 当做Mapreduce程序去优化
以下SQL不会转为Mapreduce来执行
select仅查询本表字段
where仅对本表字段做条件过滤
explain 查看执行计划
-- 正常显示执行计划 explain select count(*) from person; -- 详细显示执行计划 explain extended select count(*) from person;
Hive运行方式
本地模式、集群模式
本地或者测试环境，可以开启本地模式，节省开发SQL执行的时间成本。
开启本地模式： set hive.exec.mode.local.auto=true; 注意：hive.exec.mode.local.auto.inputbytes.max默认值为128M 表示加载文件的最大值，若大于该配置仍会以集群方式来运行！
并行计算
通过设置以下参数开启并行模式： set hive.exec.parallel=true; 注意：hive.exec.parallel.thread.number （一次SQL计算中允许并行执行的job个数的最大值）注意：并行计算不是所有的SQL都适用，每个子任务并行的执行结果不影响最终结果。否则，不可以开启并行计算
例：
-- 开启本地模式 set hive.exec.mode.local.auto=true; -- 开启并行计算 set hive.exec.parallel=true; -- 并行统计SQL-可以使用并行计算 select p1.c1,p2.c2 from (select count(1) c1 from person) p1, (select count(1) c2 from p_person) p2; -- 往分区表和分桶表中分别加载数据，互不影响，可以使用并行计算 from person insert overwrite table p_person partition (sex,age) select id,name,likes,address,sex,age distribute by sex,age insert overwrite table fentong_person select id,name,likes,address,age;
注意：如果p2的执行语句需要依赖于p1的执行结果，此时并行计算不可以使用，必须使用串行，否则影响结果的准确性
严格模式
通过设置以下参数开启严格模式：
set hive.mapred.mode=strict;（默认为：nonstrict非严格模式）
查询限制：
1、对于分区表，必须添加where对于分区字段的条件过滤；
2、order by语句必须包含limit输出限制；
3、限制执行笛卡尔积的查询。
-- 使用order by必须加limit select * from person order by id limit 5; -- 分区表，必须包含分区字段作为查询条件 select * from p_person where age=10; -- 笛卡尔积：join联合查询，表与表之间必须要有连接条件，如果涉及到分区表，连接条件中还必须包含分区字段 select p1.name,p2.name from person p1 left join > p_person p2 on p1.id=p2.id and p2.age=10; -- 笛卡尔积：p1和p2之间没有连接条件，查询失败 select p1.id,p2.name from person p1,p_person p2 where p2.age=10;优点：
禁止开发人员进行一些全表扫描的SQL查询
Hive排序
1、Order By - 对于查询结果做全排序，只允许有一个reduce处理
（当数据量较大时，应慎用。严格模式下，必须结合limit来使用）
2、Sort By - 对于单个reduce的数据进行排序
3、Distribute By - 分区排序，经常和Sort By结合使用
4、Cluster By - 相当于 Sort By + Distribute By
重点注意：Cluster By不能通过asc、desc的方式指定排序规则；可通过 distribute by column sort by column asc|desc 的方式
Map Join
Join计算时，将小表（驱动表）放在join的左边
Map Join：在Map端完成Join
两种实现方式：
1、SQL方式，在SQL语句中添加MapJoin标记（mapjoin hint）
语法：
SELECT /*+ MAPJOIN(smallTable) */ smallTable.key, bigTable.value FROM smallTable JOIN bigTable ON smallTable.key = bigTable.key;
2、开启自动的MapJoin
通过修改以下配置启用自动的mapjoin：
set hive.auto.convert.join = true;（该参数为true时，Hive自动对左边的表统计量，如果是小表就加入内存，即对小表使用Map join）
相关配置参数：
hive.mapjoin.smalltable.filesize;
（大表小表判断的阈值，如果表的大小小于该值则会被加载到内存中运行）
hive.ignore.mapjoin.hint；
（默认值：true；是否忽略mapjoin hint 即mapjoin标记）
hive.auto.convert.join.noconditionaltask;
（默认值：true；将普通的join转化为普通的mapjoin时，是否将多个mapjoin转化为一个mapjoin）
hive.auto.convert.join.noconditionaltask.size;
（将多个mapjoin转化为一个mapjoin时，其表的最大值）
Map-Side聚合
通过设置以下参数开启在Map端的聚合：
set hive.map.aggr=true;相关配置参数：
hive.groupby.mapaggr.checkinterval：
map端group by执行聚合时处理的多少行数据（默认：100000）
hive.map.aggr.hash.min.reduction：
进行聚合的最小比例（预先对100000条数据做聚合，若聚合之后的数据量/100000的值大于该配置0.5，则不会聚合）
hive.map.aggr.hash.percentmemory：
map端聚合使用的内存的最大值
hive.map.aggr.hash.force.flush.memory.threshold：
map端做聚合操作是hash表的最大可用内容，大于该值则会触发flush
hive.groupby.skewindata
是否对GroupBy产生的数据倾斜做优化，默认为false
控制Hive中Map以及Reduce的数量
1、Map数量相关的参数（map端一般不设置，切片大小默认为block块的大小）
mapred.max.split.size
一个split的最大值，即每个map处理文件的最大值
mapred.min.split.size.per.node
一个节点上split的最小值
mapred.min.split.size.per.rack
一个机架上split的最小值
2、Reduce数量相关的参数
mapred.reduce.tasks
强制指定reduce任务的数量
hive.exec.reducers.bytes.per.reducer
每个reduce任务处理的数据量
hive.exec.reducers.max
每个任务最大的reduce数
JVM重用
适用场景：
1、小文件个数过多
2、task个数过多
通过 set mapred.job.reuse.jvm.num.tasks=n; 来设置
（n为task插槽个数）
缺点：设置开启之后，task插槽会一直占用资源，不论是否有task运行，直到所有的task即整个job全部执行完成时，才会释放所有的task插槽资源！
