关键字： Hive 优化、HQL 优化、Hive数据倾斜
?
?
十一、Hive SQL的优化
?
本章只是从HQL层面介绍一下，日常开发HQL中需要注意的一些优化点，不涉及Hadoop层面的参数、配置等优化。
?
其中大部分是我之前发过的博客文章，这里整理了下。
?
11.1 使用分区剪裁、列剪裁
?
在SELECT中，只拿需要的列，如果有，尽量使用分区过滤，少用SELECT *。
?
在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在Where后面，那么就会先全表关联，之后再过滤，比如：
?
SELECT a.id
?
FROM lxw1234_a a
?
left outer join t_lxw1234_partitioned b
?
ON (a.id = b.url);
?
WHERE b.day = ‘2015-05-10′
?
?? 正确的写法是写在ON后面：
?
??????? SELECT a.id
?
FROM lxw1234_a a
?
left outer join t_lxw1234_partitioned b
?
??????? ON (a.id = b.url AND b.day = ‘2015-05-10′);
?? 或者直接写成子查询：
SELECT a.id
?
FROM lxw1234_a a
?
left outer join (SELECT url FROM t_lxw1234_partitioned WHERE day = ‘2015-05-10′) b
?
ON (a.id = b.url)
?
?
11.2 少用COUNT DISTINCT
?
数据量小的时候无所谓，数据量大的情况下，由于COUNT DISTINCT操作需要用一个Reduce Task来完成，这一个Reduce需要处理的数据量太大，就会导致整个Job很难完成，一般COUNT DISTINCT使用先GROUP BY再COUNT的方式替换：
?
?????? SELECT day,
?
COUNT(DISTINCT id) AS uv
?
FROM lxw1234
?
GROUP BY day
?
可以转换成：
?
SELECT day,
?
COUNT(id) AS uv
?
FROM (SELECT day,id FROM lxw1234 GROUP BY day,id) a
?
GROUP BY day;
?
?
?
虽然会多用一个Job来完成，但在数据量大的情况下，这个绝对是值得的。
?
?
11.3 是否存在多对多的关联
?
只要遇到表关联，就必须得调研一下，是否存在多对多的关联，起码得保证有一个表或者结果集的关联键不重复。
?
如果某一个关联键的记录数非常多，那么分配到该Reduce Task中的数据量将非常大，导致整个Job很难完成，甚至根本跑不出来。
?
还有就是避免笛卡尔积，同理，如果某一个键的数据量非常大，也是很难完成Job的。
?
?
?
11.4 合理使用MapJoin
?
关于MapJoin的原理和机制，请参考 [一起学Hive]之十 。
?
MapJoin中小表的大小可以用参数来调节。
?
?
?
11.5 合理使用Union All
?
对同一张表的union all 要比multi insert快的多。
?
具体请见：
?
http://superlxw1234.iteye.com/blog/1536440
?
11.6 并行执行Job
?
用过oracle rac的应该都知道parallel的用途。
?
并行执行的确可以大的加快任务的执行速率，但不会减少其占用的资源。
?
在hive中也有并行执行的选项。
?
具体请见：
?
http://superlxw1234.iteye.com/blog/1703713
?
11.7 使用本地MR
?
如果在hive中运行的sql本身数据量很小，那么使用本地mr的效率要比提交到Hadoop集群中运行快很多。
?
具体请见：
?
http://superlxw1234.iteye.com/blog/1703546
?
?
?
11.8 合理使用动态分区
?
参见 [一起学Hive]之六-Hive的动态分区
?
http://lxw1234.com/archives/2015/06/286.htm
?
?
?
11.9 避免数据倾斜
?
数据倾斜是Hive开发中对性能影响的一大杀手。
?
- 症状：
?
任务迚度长时间维持在99%（或100%）;
?
查看任务监控页面，发现只有少量（1个或几个）reduce子任务未完成。
?
本地读写数据量很大。
?
- 导致数据倾斜的操作：
?
GROUP BY, COUNT DISTINCT, join
?
- 原因：
?
key分布不均匀
?
业务数据本身特点
?
这里列出一些常用的数据倾斜解决办法：
?
- 使用COUNT DISTINCT和GROUP BY造成的数据倾斜：
?
存在大量空值或NULL，或者某一个值的记录特别多，可以先把该值过滤掉，在最后单独处理:
?
SELECT CAST(COUNT(DISTINCT imei)+1 AS bigint)
?
FROM lxw1234 where pt = ‘2012-05-28′
?
AND imei <> ‘lxw1234′ ;
?
比如某一天的IMEI值为’lxw1234’的特别多，当我要统计总的IMEI数，可以先统计不为’lxw1234’的，之后再加1.
?
多重COUNT DISTINCT
?
通常使用UNION ALL + ROW_NUMBER() + SUM + GROUP BY来变通实现。
?
- 使用JOIN引起的数据倾斜
?
关联键存在大量空值或者某一特殊值，如”NULL”
?
空值单独处理，不参与关联；
?
空值或特殊值加随机数作为关联键；
?
不同数据类型的字段关联
?
转换为同一数据类型之后再做关联
?
11.10 控制Map数和Reduce数
?
参见http://lxw1234.com/archives/2015/04/15.htm
?
?
?
11.11 中间结果压缩
?
参见 http://superlxw1234.iteye.com/blog/1741103
?
?
?
11.12 其他
?
- 在MapReduce的WEB界面上，关注Hive Job执行的情况；
- 了解HQL -> MapReduce的过程；
- HQL优化其实也是MapReduce的优化，作为分布式计算模型，其最核心的地方就是要确保每个节点上分布的数据均匀，才能最大程度发挥它的威力，否则，某一个不均匀的节点就会拖后腿。
?
?
?
Hive相关文章（持续更新）：
?
一起学Hive系列
?
—-Hive概述，Hive是什么
?
—-Hive函数大全-完整版
?
—-Hive中的数据库(Database)和表(Table)
?
—-Hive的安装配置
?
—-Hive的视图和分区
?
—-Hive的动态分区
?
—-向Hive表中加载数据
?
—-使用Hive命令行
?
—-Hive的查询语句SELECT
?
—-Hive中Join的原理和机制
?
—-Hive中Join的类型和用法
?
Hive分析函数系列
?
Hive索引
?
hive优化之——控制hive任务中的map数和reduce数