Hive用的好，才能从数据中挖掘出更多的信息来。用过hive的朋友，我想或多或少都有类似的经历：一天下来，没跑几次hive，就到下班时间了。Hive在极大数据或者数据不平衡等情况下，表现往往一般，因此也出现了presto、spark-sql等替代品。这里重点讲解hive的优化方式，例如

将key相对分散，并且数据量小的表放在join的左边，这样可以有效减少内存溢出错误发生的几率；再进一步，可以使用Group让小的维度表（1000条以下的记录条数）先进内存。在map端完成reduce。 Hive假定查询中最后的一个表是大表。它会将其它表缓存起来，然后扫描最后那个表。因此通常需要将小表放前面，或者标记哪张表是大表：/*streamtable(table_name) */

实际测试发现：新版的hive已经对小表JOIN大表和大表JOIN小表进行了优化。小表放在左边和右边已经没有明显区别。

当对3个或者更多个表进行join连接时，如果每个on子句都使用相同的连接键的话，那么只会产生一个MapReduce job。

减少每个阶段的数据量，对于分区表要加分区，同时只选择需要使用到的字段。

尽量避免一个SQL包含复杂逻辑，可以使用中间表来完成复杂的逻辑

如果union all的部分个数大于2，或者每个union部分数据量大，应该拆成多个insert into 语句，实际测试过程中，执行时间能提升50%。示例参考如下：

可以改写为：

order by : 对查询结果进行全局排序消耗时间长,需要set hive.mapred.mode=nostrict sort by : 局部排序，并非全局有序，提高效率。

一种嵌入在hive取数流程中的自定义函数，通过transform语句可以把在hive中不方便实现的功能在python中实现，然后写入hive表中。示例语法如下：

如果除python脚本外还有其它依赖资源，可以使用ADD ARVHIVE

一般情况下，Limit语句还是需要执行整个查询语句，然后再返回部分结果。有一个配置属性可以开启，避免这种情况—对数据源进行抽样

缺点：有可能部分数据永远不会被处理到

对于小数据集，为查询触发执行任务消耗的时间>实际执行job的时间，因此可以通过本地模式，在单台机器上（或某些时候在单个进程上）处理所有的任务，对于小数据集，执行时间可以明显被缩短。

可以通过设置属性hive.exec.mode.local.auto的值为true，来让Hive在适当的时候自动启动这个优化，也可以将这个配置写在$HOME/.hiverc文件中。

使用条件:当一个job满足如下条件才能真正使用本地模式：

job的输入数据大小必须小于参数：hive.exec.mode.local.auto.inputbytes.max(默认128MB) job的map数必须小于参数：hive.exec.mode.local.auto.tasks.max(默认4) job的reduce数必须为0或者1 可用参数hive.mapred.local.mem(默认0)控制child的jvm使用的最大内存数。

实战对比：

Hive会将一个查询转化为一个或多个阶段，包括：MapReduce阶段、抽样阶段、合并阶段、limit阶段等。默认情况下，Hive一次只执行一个阶段。 不过，某个特定的 job 可能包含众多的阶段，而这些阶段可能并非完全互相依赖的，也就是说有些阶段是可以并行执行的，这样可能使得整个 job 的执行 时间缩短。

通过设置参数 hive.exec.parallel 值为 true ，就可以开启并发执行。

**注意：**在共享集群中需要注意下，如果 job 中并行阶段增多，那么集群利用率就会增加。当然，得是在系统资源比较空闲的时候才有优势，否则，没资源，并行也起不来。

map个数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（默认128M，不可自定义）。参考举例如下：

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 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。 map执行时间：map任务启动和初始化的时间+逻辑处理的时间。 减少map数 若有大量小文件（小于128M），会产生多个map，处理方法是：

前面三个参数确定合并文件块的大小，大于文件块大小128m的，按照128m来分隔，小于128m,大于100m的，按照100m来分隔，把那些小于100m的（包括小文件和分隔大文件剩下的）进行合并。

set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; – 执行前进行小文件合并 增加map数 当input的文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数，来使得每个map处理的数据量减少，从而提高任务的执行效率。 set mapred.reduce.tasks=?

调整方式：

一般根据输入文件的总大小,用它的estimation函数来自动计算reduce的个数：reduce个数 = InputFileSize / bytes per reducer

Hive提供了一个严格模式，可以防止用户执行那些可能意向不到的不好的影响的查询。 通过设置属性 hive.mapred.mode 值为默认是非严格模式 nonstrict 。开启严格模式需要 修改 hive.mapred.mode 值为 strict ，开启严格模式可以禁止 3 种类型的查询。

(1)分区表，必须where语句选定分区范围 ，否则不允许执行 (2)对于使用order by的查询，要求必须使用limit语句。因为order by为了执行排序过程会将所有的结果数据分发到同一个reducer中进行处理 (3)限制笛卡尔积查询：两张表join时必须有on语句,对关系型数据库非常了解的用户可能期望在执行 JOIN 查询的时候不使用 ON 语句而是使用 where 语句，这样关系数据库的执行优化器就可以高效地将 WHERE 语句转化成那个 ON 语句。不幸的是， Hive 并不会 执行这种优化，因此，如果表足 够大，那么这个查询就会出现不可控的情况。

任务进度长时间维持在99%（或100%），查看任务监控页面，发现只有少量（1个或几个）reduce子任务未完成。因为其处理的数据量和其他reduce差异过大。单一reduce的记录数与平均记录数差异过大，通常可能达到3倍甚至更多。 最长时长远大于平均时长。

（1）key分布不均匀 （2）业务数据本身的特性 （3）建表时考虑不周 （4）某些SQL语句本身就有数据倾斜

解决方案：参数调节

Fetch抓取是指， Hive 中对某些情况的查询可以不必使用 MapReduce 计算 。例如： SELECT * FROM employees; 在这种情况下， Hive 可以简单地读取 employee 对应的存储目录 下的文件，然后输出查询结果到控制台。 在hive default.xml.template 文件中 hive.fetch.t ask.conversion 默认是 more ，老版本 hive 默认是 minimal ，该属性修改为 more 以后，在全局查找、字段查找、 limit 查找等都不走 mapreduce 。

案例实操： 1 ）把 hive.fetch.task.conversion 设置成 none ，然后执行查询语句，

2 ）把 hive.fetch.task.conversion 设置成 more ，然后执行查询语句