（圖片來源於網絡，侵刪）
Hive調優
【1】 Fetch抓取
Fetch抓取是指，Hive中對某些情況的查詢可以不必使用MapReduce計算
例如：SELECT * FROM emp; 在這種情況下，Hive可以簡單地讀取emp對應的存儲目錄下的文件，然後輸出查詢結果到控制檯
在hive-default.xml.template文件中hive.fetch.task.conversion默認是more，老版本hive默認是minimal，該屬性修改爲more以後，在全局查找、字段查找、limit查找等都不走mapreduce
<property>
<name>hive.fetch.task.conversion</name>
<value>more</value>
<description>
Expects one of [none, minimal, more].
Some select queries can be converted to single FETCH task minimizing latency.
Currently the query should be single sourced not having any subquery and should not have
any aggregations or distincts (which incurs RS), lateral views and joins.
0. none : disable hive.fetch.task.conversion
1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only
2. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)
</description>
</property>
【2】本地模式
大多數的Hadoop Job是需要Hadoop提供的完整的可擴展性來處理大數據集的。不過，有時Hive的輸入數據量是非常小的。在這種情況下，爲查詢觸發執行任務消耗的時間可能會比實際job的執行時間要多的多
對於大多數這種情況，Hive可以通過本地模式在單臺機器上處理所有的任務,對於小數據集,執行時間可以明顯被縮短。
用戶可以通過設置hive.exec.mode.local.auto的值爲true，來讓Hive在適當的時候自動啓動這個優化
//開啓本地運行模式
set hive.exec.mode.local.auto=true;
//設置local mr的最大輸入數據量，當輸入數據量小於這個值時採用local mr的方式，默認爲134217728，即128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;
//設置local mr的最大輸入文件個數，當輸入文件個數小於這個值時採用local mr的方式，默認爲4
set hive.exec.mode.local.auto.input.files.max=10;
【3】表的優化
小表、大表Join
將key相對分散，並且將數據量小的表放在join的左邊，這樣可以有效減少內存溢出錯誤發生的機率；再進一步，可以使用map join讓小的維度表（1000條以下的記錄條數）先進內存。在map端完成reduce
實際測試發現：新版的hive已經對小表JOIN大表和大表JOIN小表進行了優化。小表放在左邊和右邊已經沒有明顯區別
大表Join大表
1）空KEY過濾
有時join超時是因爲某些key對應的數據太多，而相同key對應的數據都會發送到相同的reducer上，從而導致內存不夠
此時我們應該仔細分析這些異常的key，很多情況下，這些key對應的數據是異常數據，我們需要在SQL語句中進行過濾，例如將key對應的字段爲空的數據先過濾再join
2）空key轉換
有時雖然某個key爲空對應的數據很多，但是相應的數據不是異常數據，必須要包含在join的結果中，此時我們可以爲該表中key爲空的字段賦一個隨機的值，使得數據隨機均勻地分不到不同的reducer上，避免了出現所有空key數據發送到同一個reducer的情況！
MapJoin
如果不指定MapJoin或者不符合MapJoin的條件，那麼Hive解析器會將Join操作轉換成Common Join，即：在Reduce階段完成join，容易發生數據傾斜，可以用MapJoin把小表全部加載到內存在map端進行join，避免reducer處理
開啓MapJoin參數設置
（1）設置自動選擇Mapjoin
set hive.auto.convert.join = true; 默認爲true
（2）大表小表的閾值設置（默認25M以下認爲是小表）：
set hive.mapjoin.smalltable.filesize=25000000;
Group By
默認情況下，Map階段同一Key數據分發給一個reduce，當一個key數據過大時就會出現數據傾斜了
其實並不是所有的聚合操作都需要在Reduce端完成，很多聚合操作都可以先在Map端進行部分聚合，最後在Reduce端得出最終結果
開啓Map端聚合參數設置
（1）是否在Map端進行聚合，默認爲True
hive.map.aggr = true
（2）在Map端進行聚合操作的條目數目
hive.groupby.mapaggr.checkinterval = 100000
（3）有數據傾斜的時候進行負載均衡（默認是false）
hive.groupby.skewindata = true
當hive.map.aggr選項設定爲 true，生成的查詢計劃會有兩個MR Job，第一個MR Job中，Map的輸出結果會隨機分佈到Reduce中，每個Reduce做部分聚合操作，並輸出結果，這樣處理的結果是相同的Group By Key有可能被分發到不同的Reduce中，從而達到負載均衡的目的；第二個MR Job再根據預處理的數據結果按照Group By Key分佈到Reduce中（這個過程可以保證相同的Group By Key被分佈到同一個Reduce中），最後完成最終的聚合操作
Count(Distinct) 去重統計
數據量小的時候無所謂，數據量大的情況下，由於COUNT DISTINCT操作需要用一個Reduce Task來完成，這時一個Reduce需要處理的數據量太大，就會導致整個Job很難完成，一般COUNT DISTINCT使用 GROUP BY + COUNT的方式替換
笛卡爾積
儘量避免笛卡爾積，避免join的時候不加on條件，或者無效的on條件，使用笛卡爾積只會有一個reducer完成聚合操作，應該避免這種情況
行列過濾
列處理：在SELECT中，只拿需要的列，如果有，儘量使用分區過濾，少用SELECT *
（需要什麼字段寫什麼字段，不需要的字段不寫！）
行處理：在分區剪裁中，當使用外關聯時，先將副表進行過濾之後再進行關聯
（先過濾再關聯！）
分區和分桶
根據實際情況和數據合理的設置分區字段和分桶字段對數據的讀取非常有效！
分區案例(動態分區)
關係型數據庫中，對分區表Insert數據時候，數據庫自動會根據分區字段的值，將數據插入到相應的分區中，Hive中也提供了類似的機制，即動態分區(Dynamic Partition)，想要使用Hive的動態分區，需要進行相應的配置
開啓動態分區參數設置
（1）開啓動態分區功能（默認true，開啓）
set hive.exec.dynamic.partition=true;
（2）設置爲非嚴格模式（動態分區的模式，默認strict，表示必須指定至少一個分區爲靜態分區，nonstrict模式表示允許所有的分區字段都可以使用動態分區）
set hive.exec.dynamic.partition.mode=nonstrict;
（3）在所有執行MR的節點上，最大一共可以創建多少個動態分區
set hive.exec.max.dynamic.partitions=1000;
（4）在每個執行MR的節點上，最大可以創建多少個動態分區。該參數需要根據實際的數據來設定。比如：源數據中包含了一年的數據，即day字段有365個值，那麼該參數就需要設置成大於365，如果使用默認值100，則會報錯
set hive.exec.max.dynamic.partitions.pernode=100;
（5）整個MR Job中，最大可以創建多少個HDFS文件
set hive.exec.max.created.files=100000;
（6）當有空分區生成時，是否拋出異常。一般不需要設置
hive.error.on.empty.partition=false;
動態分區案例：
現有一Emp表，字段爲: empno,empname,address
假入想要針對empno字段進行動態分區，建表語句如下👇
create table emp(empname String,address String) partitioned by (empno Int) row format delimited fields terminated by ",";
再創建一箇中間結果表 emp_tmp
create table emp_tmp(empno Int,empname String,address String) row format delimited fields terminated by ",";
導入數據到中間結果表 emp_tmp
load data local inpath "/opt/modules/hive/datas/emp2.txt" into table emp_tmp;
查詢數據並導入分區表（動態導入），注意：分區字段一定要放在最後一個字段
insert into emp partition(empno) select empname,address,empno from emp_tmp;
分桶案例
分桶概念類似於MR中的partition分區，MR中的partition分區，根據分區運算後把相同特性的數據發送到一個Reduce進行處理，然後輸出到同一個文件中
HIve中分桶也和這個類似，我們在創建分桶表時，指定分桶字段（表中已有字段）和分桶數量
對於分桶表，我們需要確保Reduce數量和分桶數量一致，因此設置set hive.enforce.bucketing = true;屬性，自動根據分桶數設置reduce數量
①.創建分區表和中間表
分區表：
create table student(id int,name string ,age int) clustered by (id) into 3
buckets row format delimited fields terminated by ',' ;
中間表：
create table student_tmp (id int,name string ,age int)
row format delimited fields terminated by ',' ;
②.加載數據到中間表，按照hash來存儲到不同的文件中，但是這個地方要注意，加載數據不會進行分桶的操作
load data inpath '/student.txt' into table student_tmp;
③.查詢student_tmp表的數據插入到表student中,這個地方分了3個桶，所以會產生3個文件
insert into studentselect id,name,age from student_tmp;
【4】數據傾斜
合理設置Map數
1）通常情況下，作業會通過input的目錄產生一個或者多個map任務
主要的決定因素有：input的文件總個數，input的文件大小，集羣設置的block文件塊個數
2）是不是map數越多越好？
答案是否定的，如果一個任務有很多小文件（遠遠小於塊大小128m），則每個小文件也會被當做一個塊，用一個map任務來完成，而一個map任務啓動和初始化的時間遠遠大於邏輯處理的時間，就會造成很大的資源浪費。而且，同時可執行的map數是受限的
3）是不是保證每個map處理接近128m的文件塊，就高枕無憂了？
答案也是不一定，比如有一個127m的文件，正常會用一個map去完成，但這個文件只有一個或者兩個小字段，卻有幾千萬的記錄，如果map處理的邏輯比較複雜，用一個map任務去做，肯定也比較耗時
小文件進行合併
在map執行前合併小文件，減少map數：CombineHiveInputFormat具有對小文件進行合併的功能（系統默認的格式），HiveInputFormat沒有對小文件合併功能
set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
複雜文件增加Map數
當input的文件都很大，任務邏輯複雜，map執行非常慢的時候，可以考慮增加Map數，來使得每個map處理的數據量減少，從而提高任務的執行效率
增加map的方法爲：根據computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M公式，調整maxSize最大值，讓maxSize最大值低於blocksize就可以增加map的個數
設置最大切片值爲100個字節
set mapreduce.input.fileinputformat.split.maxsize=100
合理設置Reduce數
1.調整reduce個數方法一
（1）每個Reduce處理的數據量默認是256MB
set hive.exec.reducers.bytes.per.reducer=256000000;
（2）每個任務最大的reduce數，默認爲1009
set hive.exec.reducers.max=1009;
（3）計算reducer數的公式
N=min(參數2，總輸入數據量/參數1)
2.調整reduce個數方法二
在hadoop的mapred-default.xml文件中修改
設置每個job的Reduce個數
set mapreduce.job.reduces = 15;
3.reduce個數並不是越多越好
1）過多的啓動和初始化reduce也會消耗時間和資源
2）另外，有多少個reduce，就會有多少個輸出文件，如果生成了很多個小文件，那麼如果這些小文件作爲下一個任務的輸入，則也會出現小文件過多的問題
4.在設置reduce個數的時候也需要考慮這兩個原則：
處理大數據量利用合適的reduce數
使單個reduce任務處理數據量大小要合適
並行執行
Hive會將一個查詢轉化成一個或者多個階段。這樣的階段可以是MapReduce階段、抽樣階段、合併階段、limit階段.或者Hive執行過程中可能需要的其他階段
默認情況下，Hive一次只會執行一個階段。不過，某個特定的job可能包含衆多的階段，而這些階段可能並非完全互相依賴的，也就是說有些階段是可以並行執行的，這樣可能使得整個job的執行時間縮短。不過，如果有更多的階段可以並行執行，那麼job可能就越快完成
通過設置參數hive.exec.parallel值爲true，就可以開啓併發執行。不過，在共享集羣中，需要注意下，如果job中並行階段增多，那麼集羣利用率就會增加
set hive.exec.parallel=true; //打開任務並行執行
set hive.exec.parallel.thread.number=16; //同一個sql允許最大並行度，默認爲8
當然，得是在系統資源比較空閒的時候纔有優勢，否則，沒資源，並行也起不來
嚴格模式
Hive提供了一個嚴格模式，可以防止用戶執行那些可能意想不到的不好的影響的查詢
通過設置屬性hive.mapred.mode值爲默認是非嚴格模式nonstrict 。開啓嚴格模式需要修改hive.mapred.mode值爲strict
開啓嚴格模式可以禁止3種類型的查詢：
- 1)對於分區表，除非where語句中含有分區字段過濾條件來限制範圍，否則不允許執行。換句話說，就是用戶不允許掃描所有分區。進行這個限制的原因是，通常分區表都擁有非常大的數據集，而且數據增加迅速。沒有進行分區限制的查詢可能會消耗令人不可接受的巨大資源來處理這個表
- 2)對於使用了
order by語句的查詢，要求必須使用limit語句。因爲order by爲了執行排序過程會將所有的結果數據分發到同一個Reducer中進行處理，強制要求用戶增加這個LIMIT語句可以防止Reducer額外執行很長一段時間 - 3)
限制笛卡爾積的查詢。對關係型數據庫非常瞭解的用戶可能期望在執行JOIN查詢的時候不使用ON語句而是使用where語句，這樣關係數據庫的執行優化器就可以高效地將WHERE語句轉化成那個ON語句。不幸的是，Hive並不會執行這種優化，因此，如果表足夠大，那麼這個查詢就會出現不可控的情況
<property>
<name>hive.mapred.mode</name>
<value>strict</value>
<description>
The mode in which the Hive operations are being performed.
In strict mode, some risky queries are not allowed to run. They include:
Cartesian Product.
No partition being picked up for a query.
Comparing bigints and strings.
Comparing bigints and doubles.
Orderby without limit.
</description>
</property>
JVM重用
JVM重用是Hadoop調優參數的內容，其對Hive的性能具有非常大的影響，特別是對於很難避免小文件的場景或task特別多的場景，這類場景大多數執行時間都很短
Hadoop的默認配置通常是使用派生JVM來執行map和Reduce任務的。這時JVM的啓動過程可能會造成相當大的開銷，尤其是執行的job包含有成百上千task任務的情況
JVM重用可以使得JVM實例在同一個job中重新使用N次，N的值可以在Hadoop的mapred-site.xml文件中進行配置，通常在10-20之間，具體多少需要根據具體業務場景測試得出
<property>
<name>mapreduce.job.jvm.numtasks</name>
<value>10</value>
<description>How many tasks to run per jvm. If set to -1, there is
no limit.
</description>
</property>
JVM重用的缺點是，開啓JVM重用將一直佔用使用到的task插槽，以便進行重用，直到任務完成後才能釋放。如果某個“不平衡的”job中有某幾個reduce task執行的時間要比其他Reduce task消耗的時間多的多的話，那麼保留的插槽就會一直空閒着卻無法被其他的job使用，直到所有的task都結束了纔會釋放
推測執行
在分佈式集羣環境下，因爲程序Bug（包括Hadoop本身的bug），負載不均衡或者資源分佈不均等原因，會造成同一個作業的多個任務之間運行速度不一致，有些任務的運行速度可能明顯慢於其他任務（比如一個作業的某個任務進度只有50%，而其他所有任務已經運行完畢），則這些任務會拖慢作業的整體執行進度。爲了避免這種情況發生，Hadoop採用了推測執行（Speculative Execution）機制，它根據一定的法則推測出“拖後腿”的任務，併爲這樣的任務啓動一個備份任務，讓該任務與原始任務同時處理同一份數據，並最終選用最先成功運行完成任務的計算結果作爲最終結果
設置開啓推測執行參數：Hadoop的mapred-site.xml文件中進行配置
<property>
<name>mapreduce.map.speculative</name>
<value>true</value>
<description>
If true, then multiple instances of some map tasks
may be executed in parallel.
</description>
</property>
<property>
<name>mapreduce.reduce.speculative</name>
<value>true</value>
<description>
If true, then multiple instances of some reduce tasks
may be executed in parallel.
</description>
</property>
不過hive本身也提供了配置項來控制reduce-side的推測執行
<property>
<name>hive.mapred.reduce.tasks.speculative.execution</name>
<value>true</value>
<description>Whether speculative execution for reducers should be turned on. </description>
</property>
關於調優這些推測執行變量，還很難給一個具體的建議。如果用戶對於運行時的偏差非常敏感的話，那麼可以將這些功能關閉掉。如果用戶因爲輸入數據量很大而需要執行長時間的map或者Reduce task的話，那麼啓動推測執行造成的浪費是非常巨大的
【5】執行計劃（Explain）
1）基本語法
EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query
2）案例
（1）查看下面這條語句的執行計劃
explain select * from emp;
explain select deptno, avg(sal) avg_sal from emp group by deptno;
（2）查看詳細執行計劃
explain extended select * from emp;
explain extended select deptno, avg(sal) avg_sal from emp group by deptno;
都看到這裏了，點贊評論一下吧！！！
