一般情況下，Limit語句還是需要執(zhí)行整個查詢語句，然后再返回部分結(jié)果。

有一個配置屬性可以開啟，避免這種情況---對數(shù)據(jù)源進行抽樣。

hive.limit.optimize.enable=true --- 開啟對數(shù)據(jù)源進行采樣的功能 hive.limit.row.max.size --- 設置最小的采樣容量 hive.limit.optimize.limit.file --- 設置最大的采樣樣本數(shù)

缺點：有可能部分數(shù)據(jù)永遠不會被處理到

2. JOIN優(yōu)化

1)將大表放后頭

Hive假定查詢中最后的一個表是大表。它會將其它表緩存起來，然后掃描最后那個表。因此通常需要將小表放前面，或者標記哪張表是大表：/*streamtable(table_name) */

2). 使用相同的連接鍵

當對3個或者更多個表進行join連接時，如果每個on子句都使用相同的連接鍵的話，那么只會產(chǎn)生一個MapReduce job。

3). 盡量盡早地過濾數(shù)據(jù)

減少每個階段的數(shù)據(jù)量,對于分區(qū)表要加分區(qū)，同時只選擇需要使用到的字段。

4). 盡量原子化操作

盡量避免一個SQL包含復雜邏輯，可以使用中間表來完成復雜的邏輯

3. 本地模式

有時hive的輸入數(shù)據(jù)量是非常小的。在這種情況下，為查詢出發(fā)執(zhí)行任務的時間消耗可能會比實際job的執(zhí)行時間要多的多。對于大多數(shù)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。對于小數(shù)據(jù)集，執(zhí)行時間會明顯被縮短

set hive.exec.mode.local.auto=true;

當一個job滿足如下條件才能真正使用本地模式：　　- 1.job的輸入數(shù)據(jù)大小必須小于參數(shù)：hive.exec.mode.local.auto.inputbytes.max(默認128MB) 　　- 2.job的map數(shù)必須小于參數(shù)：hive.exec.mode.local.auto.tasks.max(默認4) 　　- 3.job的reduce數(shù)必須為0或者1

可用參數(shù)hive.mapred.local.mem(默認0)控制child jvm使用的最大內(nèi)存數(shù)。

4.并行執(zhí)行

hive會將一個查詢轉(zhuǎn)化為一個或多個階段，包括：MapReduce階段、抽樣階段、合并階段、limit階段等。默認情況下，一次只執(zhí)行一個階段。不過，如果某些階段不是互相依賴，是可以并行執(zhí)行的。

set hive.exec.parallel=true,可以開啟并發(fā)執(zhí)行。

set hive.exec.parallel.thread.number=16; //同一個sql允許最大并行度，默認為8。

會比較耗系統(tǒng)資源。

5.strict模式

對分區(qū)表進行查詢，在where子句中沒有加分區(qū)過濾的話，將禁止提交任務(默認：nonstrict)

set hive.mapred.mode=strict;

注：使用嚴格模式可以禁止3種類型的查詢：（1）對于分區(qū)表，不加分區(qū)字段過濾條件，不能執(zhí)行 （2）對于order by語句，必須使用limit語句 （3）限制笛卡爾積的查詢（join的時候不使用on，而使用where的）

6.調(diào)整mapper和reducer個數(shù)

Map階段優(yōu)化

map執(zhí)行時間：map任務啟動和初始化的時間+邏輯處理的時間。

1.通常情況下，作業(yè)會通過input的目錄產(chǎn)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(shù)，input的文件大小，集群設置的文件塊大小(目前為128M, 可在hive中通過set dfs.block.size;命令查看到，該參數(shù)不能自定義修改)；

2.舉例：

a)假設input目錄下有1個文件a,大小為780M,那么hadoop會將該文件a分隔成7個塊（6個128m的塊和1個12m的塊），從而產(chǎn)生7個map數(shù) b)假設input目錄下有3個文件a,b,c,大小分別為10m，20m，130m，那么hadoop會分隔成4個塊（10m,20m,128m,2m）,從而產(chǎn)生4個map數(shù) 即，如果文件大于塊大小(128m),那么會拆分，如果小于塊大小，則把該文件當成一個塊。

3.是不是map數(shù)越多越好？

答案是否定的。如果一個任務有很多小文件（遠遠小于塊大小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任務啟動和初始化的時間遠遠大于邏輯處理的時間，就會造成很大的資源浪費。而且，同時可執(zhí)行的map數(shù)是受限的。

4.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處理的邏輯比較復雜，用一個map任務去做，肯定也比較耗時。

針對上面的問題3和4，我們需要采取兩種方式來解決：即減少map數(shù)和增加map數(shù)；如何合并小文件，減少map數(shù)？

假設一個SQL任務：Select count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' 該任務的inputdir /group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04 共有194個文件，其中很多是遠遠小于128m的小文件，總大小9G，正常執(zhí)行會用194個map任務。Map總共消耗的計算資源：SLOTS_MILLIS_MAPS= 623,020 通過以下方法來在map執(zhí)行前合并小文件，減少map數(shù)：

 set mapred.max.split.size=100000000;
 set mapred.min.split.size.per.node=100000000;
 set mapred.min.split.size.per.rack=100000000;
 set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

再執(zhí)行上面的語句，用了74個map任務，map消耗的計算資源：SLOTS_MILLIS_MAPS=333,500 對于這個簡單SQL任務，執(zhí)行時間上可能差不多，但節(jié)省了一半的計算資源。大概解釋一下，100000000表示100M

set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

這個參數(shù)表示執(zhí)行前進行小文件合并，前面三個參數(shù)確定合并文件塊的大小，大于文件塊大小128m的，按照128m來分隔，小于128m,大于100m的，按照100m來分隔，把那些小于100m的（包括小文件和分隔大文件剩下的），進行合并,最終生成了74個塊。

如何適當?shù)脑黾觤ap數(shù)？當input的文件都很大，任務邏輯復雜，map執(zhí)行非常慢的時候，可以考慮增加Map數(shù)， 來使得每個map處理的數(shù)據(jù)量減少，從而提高任務的執(zhí)行效率。假設有這樣一個任務：

 Select data_desc,
  count(1),
  count(distinct id),
  sum(case when …),
  sum(case when ...),
  sum(…)
from a group by data_desc

如果表a只有一個文件，大小為120M，但包含幾千萬的記錄，如果用1個map去完成這個任務，肯定是比較耗時的，這種情況下，我們要考慮將這一個文件合理的拆分成多個，這樣就可以用多個map任務去完成。

   set mapred.reduce.tasks=10;
   create table a_1 as 
   select * from a 
   distribute by rand(123);

這樣會將a表的記錄，隨機的分散到包含10個文件的a_1表中，再用a_1代替上面sql中的a表，則會用10個map任務去完成。每個map任務處理大于12M（幾百萬記錄）的數(shù)據(jù)，效率肯定會好很多。

看上去，貌似這兩種有些矛盾，一個是要合并小文件，一個是要把大文件拆成小文件，這點正是重點需要關(guān)注的地方，根據(jù)實際情況，控制map數(shù)量需要遵循兩個原則：使大數(shù)據(jù)量利用合適的map數(shù)；使單個map任務處理合適的數(shù)據(jù)量。

控制hive任務的reduce數(shù)：

1.Hive自己如何確定reduce數(shù)：

reduce個數(shù)的設定極大影響任務執(zhí)行效率，不指定reduce個數(shù)的情況下，Hive會猜測確定一個reduce個數(shù)，基于以下兩個設定：hive.exec.reducers.bytes.per.reducer（每個reduce任務處理的數(shù)據(jù)量，默認為1000^3=1G） hive.exec.reducers.max（每個任務最大的reduce數(shù)，默認為999）

計算reducer數(shù)的公式很簡單N=min(參數(shù)2，總輸入數(shù)據(jù)量/參數(shù)1)

即，如果reduce的輸入（map的輸出）總大小不超過1G,那么只會有一個reduce任務，如：

select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt;

/group/p_sdo_data/p_sdo_data_etl/pt/popt_tbaccountcopy_mes/pt=2012-07-04 總大小為9G多，

因此這句有10個reduce

2.調(diào)整reduce個數(shù)方法一：

調(diào)整hive.exec.reducers.bytes.per.reducer參數(shù)的值；set hive.exec.reducers.bytes.per.reducer=500000000; （500M） select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt; 這次有20個reduce

3.調(diào)整reduce個數(shù)方法二

set mapred.reduce.tasks = 15; select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt;這次有15個reduce

4.reduce個數(shù)并不是越多越好；

同map一樣，啟動和初始化reduce也會消耗時間和資源；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， 那么如果這些小文件作為下一個任務的輸入，則也會出現(xiàn)小文件過多的問題；

5.什么情況下只有一個reduce；

很多時候你會發(fā)現(xiàn)任務中不管數(shù)據(jù)量多大，不管你有沒有設置調(diào)整reduce個數(shù)的參數(shù)，任務中一直都只有一個reduce任務；其實只有一個reduce任務的情況，除了數(shù)據(jù)量小于hive.exec.reducers.bytes.per.reducer參數(shù)值的情況外，還有以下原因：

a)沒有g(shù)roup by的匯總，比如把select pt,count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt; 寫成 select count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04'; 這點非常常見，希望大家盡量改寫。

b)用了Order by

c)有笛卡爾積

通常這些情況下，除了找辦法來變通和避免，我們暫時沒有什么好的辦法，因為這些操作都是全局的，所以hadoop不得不用一個reduce去完成。同樣的，在設置reduce個數(shù)的時候也需要考慮這兩個原則：

• 使大數(shù)據(jù)量利用合適的reduce數(shù)

• 使單個reduce任務處理合適的數(shù)據(jù)量

Reduce階段優(yōu)化

調(diào)整方式：

• set mapred.reduce.tasks=?

• set hive.exec.reducers.bytes.per.reducer = ?

一般根據(jù)輸入文件的總大小,用它的estimation函數(shù)來自動計算reduce的個數(shù)：reduce個數(shù) = InputFileSize / bytes per reducer

7.JVM重用

用于避免小文件的場景或者task特別多的場景，這類場景大多數(shù)執(zhí)行時間都很短，因為hive調(diào)起mapreduce任務，JVM的啟動過程會造成很大的開銷，尤其是job有成千上萬個task任務時，JVM重用可以使得JVM實例在同一個job中重新使用N次

set mapred.job.reuse.jvm.num.tasks=10; --10為重用個數(shù)

8.動態(tài)分區(qū)調(diào)整

動態(tài)分區(qū)屬性：設置為true表示開啟動態(tài)分區(qū)功能（默認為false）

hive.exec.dynamic.partition=true;

動態(tài)分區(qū)屬性：設置為nonstrict,表示允許所有分區(qū)都是動態(tài)的（默認為strict） 設置為strict，表示必須保證至少有一個分區(qū)是靜態(tài)的

hive.exec.dynamic.partition.mode=strict;

動態(tài)分區(qū)屬性：每個mapper或reducer可以創(chuàng)建的最大動態(tài)分區(qū)個數(shù)

hive.exec.max.dynamic.partitions.pernode=100;

動態(tài)分區(qū)屬性：一個動態(tài)分區(qū)創(chuàng)建語句可以創(chuàng)建的最大動態(tài)分區(qū)個數(shù)

hive.exec.max.dynamic.partitions=1000;

動態(tài)分區(qū)屬性：全局可以創(chuàng)建的最大文件個數(shù)

hive.exec.max.created.files=100000;

控制DataNode一次可以打開的文件個數(shù) 這個參數(shù)必須設置在DataNode的$HADOOP_HOME/conf/hdfs-site.xml文件中

    dfs.datanode.max.xcievers
    8192

9.推測執(zhí)行

目的：是通過加快獲取單個task的結(jié)果以及進行偵測將執(zhí)行慢的TaskTracker加入到黑名單的方式來提高整體的任務執(zhí)行效率

（1）修改 $HADOOP_HOME/conf/mapred-site.xml文件

         
                   mapred.map.tasks.speculative.execution 
                   true
         
         
                   mapred.reduce.tasks.speculative.execution 
                   true
         

（2）修改hive配置

set hive.mapred.reduce.tasks.speculative.execution=true;

10.數(shù)據(jù)傾斜

表現(xiàn)：任務進度長時間維持在99%（或100%），查看任務監(jiān)控頁面，發(fā)現(xiàn)只有少量（1個或幾個）reduce子任務未完成。因為其處理的數(shù)據(jù)量和其他reduce差異過大。單一reduce的記錄數(shù)與平均記錄數(shù)差異過大，通常可能達到3倍甚至更多。最長時長遠大于平均時長。

原因

1)、key分布不均勻

2)、業(yè)務數(shù)據(jù)本身的特性

3)、建表時考慮不周

4)、某些SQL語句本身就有數(shù)據(jù)傾斜

解決方案：參數(shù)調(diào)節(jié)

hive.map.aggr=true

11. 其他參數(shù)調(diào)優(yōu)

開啟CLI提示符前打印出當前所在的數(shù)據(jù)庫名

set hive.cli.print.current.db=true;

讓CLI打印出字段名稱

hive.cli.print.header=true;

設置任務名稱，方便查找監(jiān)控

SET mapred.job.name=P_DWA_D_IA_S_USER_PROD;

決定是否可以在 Map 端進行聚合操作

set hive.map.aggr=true;

有數(shù)據(jù)傾斜的時候進行負載均衡

set hive.groupby.skewindata=true;

對于簡單的不需要聚合的類似SELECT col from table LIMIT n語句，不需要起MapReduce job，直接通過Fetch task獲取數(shù)據(jù)

set hive.fetch.task.conversion=more;

12、小文件問題

小文件是如何產(chǎn)生的

1.動態(tài)分區(qū)插入數(shù)據(jù)，產(chǎn)生大量的小文件，從而導致map數(shù)量劇增。

2.reduce數(shù)量越多，小文件也越多(reduce的個數(shù)和輸出文件是對應的)。

3.數(shù)據(jù)源本身就包含大量的小文件。

小文件問題的影響

1.從Hive的角度看，小文件會開很多map，一個map開一個JVM去執(zhí)行，所以這些任務的初始化，啟動，執(zhí)行會浪費大量的資源，嚴重影響性能。

2.在HDFS中，每個小文件對象約占150byte，如果小文件過多會占用大量內(nèi)存。這樣NameNode內(nèi)存容量嚴重制約了集群的擴展。

小文件問題的解決方案

從小文件產(chǎn)生的途經(jīng)就可以從源頭上控制小文件數(shù)量，方法如下：

1.使用Sequencefile作為表存儲格式，不要用textfile，在一定程度上可以減少小文件

2.減少reduce的數(shù)量(可以使用參數(shù)進行控制)

3.少用動態(tài)分區(qū)，用時記得按distribute by分區(qū)

對于已有的小文件，我們可以通過以下幾種方案解決：

1.使用hadoop archive命令把小文件進行歸檔

2.重建表，建表時減少reduce數(shù)量

3.通過參數(shù)進行調(diào)節(jié)，設置map/reduce端的相關(guān)參數(shù)，如下：

設置map輸入合并小文件的相關(guān)參數(shù)：

//每個Map最大輸入大小(這個值決定了合并后文件的數(shù)量)  
set mapred.max.split.size=256000000;    
//一個節(jié)點上split的至少的大小(這個值決定了多個DataNode上的文件是否需要合并)  
set mapred.min.split.size.per.node=100000000;  
//一個交換機下split的至少的大小(這個值決定了多個交換機上的文件是否需要合并)    
set mapred.min.split.size.per.rack=100000000;  
//執(zhí)行Map前進行小文件合并  
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

設置map輸出和reduce輸出進行合并的相關(guān)參數(shù)：

//設置map端輸出進行合并，默認為true  
set hive.merge.mapfiles = true  
//設置reduce端輸出進行合并，默認為false  
set hive.merge.mapredfiles = true  
//設置合并文件的大小  
set hive.merge.size.per.task = 256*1000*1000  
//當輸出文件的平均大小小于該值時，啟動一個獨立的MapReduce任務進行文件merge。
set hive.merge.smallfiles.avgsize=16000000

設置如下參數(shù)取消一些限制(HIVE 0.7后沒有此限制)：

hive.merge.mapfiles=false

默認值：true 描述：是否合并Map的輸出文件，也就是把小文件合并成一個map

hive.merge.mapredfiles=false

默認值：false 描述：是否合并Reduce的輸出文件，也就是在Map輸出階段做一次reduce操作，再輸出.

set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

這個參數(shù)表示執(zhí)行前進行小文件合并，

前面三個參數(shù)確定合并文件塊的大小，大于文件塊大小128m的，按照128m來分隔，小于128m,大于100m的，按照100m來分隔，把那些小于100m的（包括小文件和分隔大文件剩下的），進行合并,最終生成了74個塊。