hql性能优化

性能低的来源 hive性能优化时，把HiveQL当做M/R程序来读，即从M/R的运行角度来考虑优化性能，从更底层思考如何优化运算性能，而不仅仅局限于逻辑代码的替换层面。 Hadoop处理数据的显著特征： 1.数据的大规模并不是负载重点，造成运行压力过大原因是数据倾斜; 2.jobs数比较多也是作业运行效率低的原因之一，如一个几百行的表，多次关联对此汇总，产生几十个jobs，将需要花费大量时间且大部分时间用于作业分配，初始化和数据输出。M/R作业初始化的时间是比较耗时间资源的一个部分; 3.在使用SUM，COUNT，MAX，MIN等函数时，Hadoop在Map端的汇总合并优化过，就不用担心数据倾斜问题。 4.COUNT(DISTINCT)在数据量大的情况下，效率较低，因为COUNT(DISTINCT)是按GROUP BY字段分组，按DISTINCT字段排序。如:男UV，女UV，一天30亿的PV，如果按性别分组，分配2个reduce,每个reduce处理15亿数据 5.数据倾斜是导致效率大幅降低的主要原因，可以采用多一次 Map/Reduce 的方法， 避免倾斜。 配置角度优化 Hive系统内部已针对不同的查询预设定了优化方法，用户可以通过调整配置进行控制， 下面举例介绍部分优化的策略以及优化控制选项。 **1.列裁剪 Hive在读数据的时候，可以只读取查询中所需要用到的列，而忽略其它列。例如 SELECT a,b FROM q WHERE e<10; 这样做节省了读取开销，中间表存储开销和数据整合开销。 裁剪所对应的参数项为：hive.optimize.cp=true(默认值为真) 2.分区裁剪 在查询过程中减少不必要的分区。例如 SELECT * FROM (SELECTT a1,COUNT(1) FROM T GROUP BY a1) subq WHERE subq.prtn=100; #（多余分区）SELECT * FROM T1 JOIN (SELECT * FROM T2) subq ON (T1.a1=subq.a2) WHERE subq.prtn=100; 查询语句若将“subq.prtn=100”条件放入子查询中更为高效，可以减少读入的分区 数目。Hive 自动执行这种裁剪优化。 分区参数为：hive.optimize.pruner=true(默认值为真) 3.JOIN操作 在操作有 join 的语句时，应该将条目少的表/子查询放在 Join 操作符的左边。因为在 Reduce 阶段，位于 Join 操作符左边的表的内容会被加载进内存，载入条目较少的表可以有效减少 OOM（out of memory）内存溢出。这便是“小表放前”原则。 4.MAP JOIN操作 Join 操作在 Map 阶段完成，不再需要Reduce，前提条件是需要的数据在 Map 的过程中可以访问到。比如查询： INSERT OVERWRITE TABLE pv_users SELECT /+ MAPJOIN(pv) / pv.pageid, u.age FROM page_view pv JOIN user u ON (pv.userid = u.userid); 可以在 Map 阶段完成 Join. 相关的参数为： hive.join.emit.interval = 1000 hive.mapjoin.size.key = 10000 hive.mapjoin.cache.numrows = 10000 5.GROUP BY操作 需要注意的有两点: Map端部分聚合 很多聚合操作都可以先在Map端进行部分聚合，然后reduce端得出最终结果。 需要修改的参数为： hive.map.aggr=true（用于设定是否在 map 端进行聚合，默认值为真） hive.groupby.mapaggr.checkinterval=100000（用于设定 map 端进行聚合操作的条目数） 有数据倾斜时进行负载均衡 需要设定 hive.groupby.skewindata，当选项设定为 true 时，生成的查询计划有两 个 MapReduce 任务。在第一个 MapReduce 中，map 的输出结果集合会随机分布到 reduce 中， 每个 reduce 做部分聚合操作，并输出结果。这样处理的结果是，相同的 Group By Key 有可能分发到不同的 reduce 中，从而达到负载均衡的目的；第二个 MapReduce 任务再根据预处理的数据结果按照 Group By Key 分布到 reduce 中，最后完成最终的聚合操作。 6.合并小文件 文件数目小容易造成存储端瓶颈，给HDFS带来压力，影响处理效率。通过合并Map和Reduce的结果文件来消除这样的影响。 用于设置合并属性的参数有： 是否合并Map输出文件：hive.merge.mapfiles=true（默认值为真） 是否合并Reduce 端输出文件：hive.merge.mapredfiles=false（默认值为假） 合并文件的大小：hive.merge.size.per.task=25610001000（默认值为 256000000）