hive sql 优化

Hive是将符合SQL语法的字符串解析生成可以在Hadoop上执行的MapReduce的工具。

使用Hive尽量按照分布式计算的一些特点来设计sql，和传统关系型数据库有区别，

所以需要去掉原有关系型数据库下开发的一些固有思维。

基本原则：

1：尽量尽早地过滤数据，减少每个阶段的数据量,对于分区表要加分区，同时只选择需要使用到的字段

select … from A

join B

on A.key = B.key

where A.userid>10

and B.userid<10

and A.dt=’20120417′

and B.dt=’20120417′;

应该改写为：

select …. from (select …. from A

where dt=’201200417′

and userid>10

) a

join ( select …. from B

where dt=’201200417′

and userid < 10   

) b

on a.key = b.key;

2：尽量原子化操作，尽量避免一个SQL包含复杂逻辑

可以使用中间表来完成复杂的逻辑

drop table if exists tmp_table_1;

create table if not exists tmp_table_1 as

select ……;

drop table if exists tmp_table_2;

create table if not exists tmp_table_2 as

select ……;

drop table if exists result_table;

create table if not exists result_table as

select ……;

drop table if exists tmp_table_1;

drop table if exists tmp_table_2;

3：单个SQL所起的JOB个数尽量控制在5个以下

4：慎重使用mapjoin,一般行数小于2000行，大小小于1M(扩容后可以适当放大)的表才能使用,小表要注意放在join的左边（目前TCL里面很多都小表放在join的右边）。

否则会引起磁盘和内存的大量消耗

5：写SQL要先了解数据本身的特点，如果有join ,group操作的话，要注意是否会有数据倾斜

如果出现数据倾斜，应当做如下处理：

set hive.exec.reducers.max=200;

set mapred.reduce.tasks= 200;—增大Reduce个数

set hive.groupby.mapaggr.checkinterval=100000 ;–这个是group的键对应的记录条数超过这个值则会进行分拆,值根据具体数据量设置

set hive.groupby.skewindata=true; –如果是group by过程出现倾斜 应该设置为true

set hive.skewjoin.key=100000; –这个是join的键对应的记录条数超过这个值则会进行分拆,值根据具体数据量设置

set hive.optimize.skewjoin=true;–如果是join 过程出现倾斜 应该设置为true

6：如果union all的部分个数大于2，或者每个union部分数据量大，应该拆成多个insert into 语句，实际测试过程中，执行时间能提升50%

insert overwite table tablename partition (dt= ….)

select ….. from (

select … from A

union all

select … from B

union all

select … from C

) R

where …;

可以改写为：

insert into table tablename partition (dt= ….)

select …. from A

WHERE …;

insert into table tablename partition (dt= ….)

select …. from B

WHERE …;

insert into table tablename partition (dt= ….)

select …. from C

WHERE …;