Hive效率优化记录

Hive是工作中常用的数据仓库工具，提供存储在HDFS文件系统，将结构化数据映射为一张张表以及提供查询和分析功能。
Hive可以存储大规模数据，但是在运行效率上不如传统数据库，这时需要懂得常见场景下提升存储或查询效率的方法，本文记录工作中常见的情形。

map阶段优化

map阶段主要是把文件拆分成一个个文件块。正常情况下，一个map任务的启动和初始化时间远远大于逻辑处理时间，所以可以增大max参数值减少map数；但在计算逻辑较为复杂（字段少记录过多）时可以减少max参数值增大map数，控制map数来协调启动和逻辑处理时间。

-- 减少map数
set hive.hadoop.supports.splittable.combineinputformat=true;
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; -- 执行前进行小文件合并，进而减少map数目
-- 文件小于1M的会单独产生一个map，文件在1M-256M之间大小的会合并，文件大于256M的拆分为多个
set mapred.min.split.size=1000000;
set mapred.max.split.size=256000000;
set mapred.min.split.size.per.node=256000000;
set mapred.min.split.size.per.rack=256000000;
-- set hive.exec.reducers.bytes.per.reducer=1073741824; -- 控制reduce个数，超过文件大小会产生多个reduce任务-- 增大map数
-- 一般使用情况是文件不是特别大，但是计算逻辑复杂，计算比较耗时，那么可以强制指定一个map任务个数提高执行效率
set mapred.reduce.tasks=10;

reduce阶段优化

reduce个数决定了最终输出文件的个数。增大reduce的个数会增加输出文件数量，减小reduce个数会减少输出文件数量。reduce个数过多会产生很多小文件影响以后计算效率，reduce个数过少会造成单个reduce处理数据量过大影响效率。

-- 1、Hive自动计算reduce个数
set hive.exec.reducers.bytes.per.reducer=500000000; -- 每个reduce任务最多处理500M的数据
set hive.exec.reducers.max=1009; -- 每个任务的最大reduce个数-- 2、认为指定reduce个数
set mapred.reduce.tasks=10; -- 人为指定10个reduce，会产生10个文件

注意，会产生只有一个reduce的情况：

1. 查询时使用了order by 全局排序
2. 表关联join时产生笛卡尔积情况

源头建表优化

建表时可以指定文件压缩格式，不要使用textfile，一般可以使用parquet+snappy格式

-- 为了提高计算和存储效率
ROW FORMAT SERDE
'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'
STORED AS INPUTFORMAT
'org.apache.hadoop.hive.ql.io.parquet.MapredParquetInputFormat'
OUTPUTFORMAT
'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat'
TBLPROPERTIES('parquet.compression'='SNAPPY')