• 查看执行计划

explain extended select count(name) from psn1;

• hive运行方式：

-本地模式

-集群模式

本地模式

开启本地模式

set hive.exec.mode.local.auto=true;
开启本地模式

tips：本地模式加载文件的默认最大值是128M,当大于这个配置时，仍会以集群模式来运行。

hive.exec.mode.local.auto.inputbvtes.max=128M

并行计算

未开启并行计算时执行下面代码
select t1.ct1,t2.ct2 from
(select count(id) ct1 from psn1) t1,
(select count(name) ct2 from psn1) t2;

在服务器资源足够用的时候可以开启并行计算,并行计算也建立在代码是否可以支持并行计算。

set hive.exec.parallel=true;
开启并行计算
set hive.exec.parallel.thread.number;
一次计算中并行执行的job个数的最大追

严格模式

防止用户误操作，可以开启严格模式，默认是不开启的

set hive.mapred.mode=strict/nonstrict
设置严格或非严格模式，和分区的严格模式不一样

设置严格模式后对mr查询的限制

• • 对于分区表，必须添加where对于分区字段的条件过滤
  • order by语句必须包含limit输出限制
  • 限制执行笛卡尔积的查询

排序

Order By – 对于查询结果做全排序，只允许有一个reduce处理

（当数据量较大时，应慎用。严格模式下，必须结合limit来使用）

Sort By – 对于单个reduce的数据进行排序

Distribute By – 分区排序，经常和Sort By结合使用

Cluster By – 相当于 Sort By + Distribute By

（Cluster By不能通过asc、desc的方式指定排序规则；

可通过 distribute by column sort by column asc|desc 的方式）

join

Join计算时，将小表（驱动表）放在join的左边

Map Join：在Map端完成Join

两种实现方式：

1、SQL方式，在SQL语句中添加MapJoin标记（mapjoin hint）

语法：

SELECT  /*+ MAPJOIN(smallTable) */  smallTable.key,  bigTable.value

FROM  smallTable  JOIN  bigTable  ON  smallTable.key  =  bigTable.key;

2、开启自动的MapJoin

自动的mapjoin

通过修改以下配置启用自动的mapjoin：

set hive.auto.convert.join = true;

（该参数为true时，Hive自动对左边的表统计量，如果是小表就加入内存，即对小表使用Map join）

相关配置参数：

hive.mapjoin.smalltable.filesize; 

（大表小表判断的阈值，如果表的大小小于该值则会被加载到内存中运行）

hive.ignore.mapjoin.hint；

（默认值：true；是否忽略mapjoin hint 即mapjoin标记）

hive.auto.convert.join.noconditionaltask;

（默认值：true；将普通的join转化为普通的mapjoin时，是否将多个mapjoin转化为一个mapjoin）

hive.auto.convert.join.noconditionaltask.size;

（将多个mapjoin转化为一个mapjoin时，其表的最大值）

Map-Side聚合

通过设置以下参数开启在Map端的聚合：

set hive.map.aggr=true;

相关配置参数：

hive.groupby.mapaggr.checkinterval：

map端group by执行聚合时处理的多少行数据（默认：100000）

hive.map.aggr.hash.min.reduction：

进行聚合的最小比例（预先对100000条数据做聚合，若聚合之后的数据量/100000的值大于该配置0.5，则不会聚合）

hive.map.aggr.hash.percentmemory：

map端聚合使用的内存的最大值

hive.map.aggr.hash.force.flush.memory.threshold：

map端做聚合操作是hash表的最大可用内容，大于该值则会触发flush

hive.groupby.skewindata

是否对GroupBy产生的数据倾斜做优化，默认为false

控制Hive中Map以及Reduce的数量

Map数量相关的参数

mapred.max.split.size

一个split的最大值，即每个map处理文件的最大值

mapred.min.split.size.per.node

一个节点上split的最小值

mapred.min.split.size.per.rack

一个机架上split的最小值

Reduce数量相关的参数

mapred.reduce.tasks

强制指定reduce任务的数量

hive.exec.reducers.bytes.per.reducer

每个reduce任务处理的数据量

hive.exec.reducers.max

每个任务最大的reduce数

Hive – JVM重用

适用场景：

1、小文件个数过多

2、task个数过多

通过 set mapred.job.reuse.jvm.num.tasks=n; 来设置

（n为task插槽个数）

缺点：设置开启之后，task插槽会一直占用资源，不论是否有task运行，直到所有的task即整个job全部执行完成时，才会释放所有的task插槽资源！

分享到：

赞(0) 打赏