Hive优化----基础知识以及效率的优化

阅读这篇文章后，会对hive 与 map/reduce有基本了解，并掌握简单的优化方法

•一、Hive map reduce个数优化

Map的个数是怎么产生的

主要的决定因素有： input的文件总个数，input的文件大小，集群设置的文件块大小(目前为128M, 可在hive中通过set dfs.block.size;命令查看到，该参数不能自定义修改)；
如：
1）假设input目录下有1个文件a,大小为780M,那么hadoop会将该文件a分隔成7个块（6个128m的块和1个12m的块），从而产生7个map数
2）假设input目录下有3个文件a,b,c,大小分别为10m，20m，130m，那么hadoop会分隔成4个块（10m,20m,128m,2m）,从而产生4个map数
即，如果文件大于块大小(128m),那么会拆分，如果小于块大小，则把该文件当成一个块。

1.控制map个数

减小map个数：

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;

增大map个数：

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

2.控制reduce个数

reduce个数的设定极大影响任务执行效率，不指定reduce个数的情况下，Hive会猜测确定一个reduce个数，主要基于以下两个设定：
hive.exec.reducers.bytes.per.reducer 默认1G
hive.exec.reducers.max 默认999个

min(总输入数据量/参数1，参数2)

调整方法

1.调整hive.exec.reducers.bytes.per.reducer参数
如 set hive.exec.reducers.bytes.per.reducer=500000000 500M

2.set mapred.reduce.tasks = 15;

3.当然还有很多情况只能用到一个reduce如：

a)    没有group by的汇总
b)    用了Order by
c)    有笛卡尔积总结：根据实际情况，控制map/reduce数量需要遵循两个原则：使大数据量利用合适的map/reduce数；使单个map/reduce任务处理合适的数据量.

•二、列裁剪（Column Pruning）

在读数据的时候，只读取查询中需要用到的列，而忽略其他列。例如，对于查询：
SELECT a,b FROM T WHERE e < 10;其中，T 包含 5 个列 (a,b,c,d,e)，列 c，d 将会被忽略，只会读取a, b, e 列
这个选项默认为真： hive.optimize.cp = true

 
•三、分区裁剪（Partition Pruning）

在查询的过程中减少不必要的分区。例如，对于下列查询：
SELECT * FROM (SELECT c1, COUNT(1)
FROM T GROUP BY c1) subq
WHERE subq.prtn = 100;

SELECT * FROM T1 JOIN
(SELECT * FROM T2) subq ON (T1.c1=subq.c2)
WHERE subq.prtn = 100;

会在子查询中就考虑 subq.prtn = 100 条件，从而减少读入的分区数目。
此选项默认为真：hive.optimize.pruner=true