Hive Join优化

在阐述Hive Join具体的优化方法之前，首先看一下Hive Join的几个重要特点，在实际使用时也可以利用下列特点做相应优化：

1.只支持等值连接

2.底层会将写的HQL语句转换为MapReduce，并且reduce会将join语句中除最后一个表外都缓存起来

3.当三个或多个以上的表进行join操作时，如果每个on使用相同的字段连接时只会产生一个mapreduce

具体的优化建议：

1.合理的设置map和reduce数量

jvm重用。可在hadoop的mapred-site.xml中设置jvm被重用的次数，参数mapred.job.reuse.jvm.num.tasks

2.对于任务重没有依赖关系的阶段开启并发执行，设置属性：set hive.exec.parallel=true

3.查询分区表时，在查询条件中指定分区

4.尽量使用left semi join 替代in、not in、exists。

因为left semi join在执行时，对于左表中指定的一条记录，一旦在右表中找到立即停止扫描，效率更高

5.当多个表进行查询时，从左到右表的大小顺序应该是从小到大。原因：hive在对每行记录操作时会把其他表先缓存起来，直到扫描最后的表进行计算

6.对于经常join的表，针对join字段进行分桶，这样在join时不必全表扫描

7.小表进行mapjoin

如果在join的表中，有一张表数据量较小，可以存于内存中，这样该表在和其他表join时可以直接在map端进行，省掉reduce过程，效率高。设置方式主要分两种：

1）自动方式

set hive.auto.convert.join=true;

hive.mapjoin.smalltable.filesize，设置可以mapjoin的表的大小，默认值是25Mb

2）手动方式

select  /*+ mapjoin(A)*/  x.a,  y.b from t_x x join t_y y on x.id=y.id;

8.同一种数据的多种处理：从一个数据源产生的多个数据聚合，无需每次聚合都需要重新扫描一次。

例如：任务重需要执行insert overwrite table t_y select * from t_x;和

insert overwrite table t_z select * from t_x;

可以优化成：from t_x insert overwrite table t_y select * insert overwrite table t_z select *

9.join中的数据倾斜处理

set hive.optimize.skewjoin=true;

set hive.skewjoin.key=100000;

当单个reduce节点处理数据阈值，会进行skewjoin，建议设置为平均数据量的2-4倍。

原理：会产生两个job，第一个job会将超过hive.skewjoin.key设置值的记录的key加上一些随机数，将这些相同的key打乱，然后分配到不同的节点上面进行计算。最后再启动一个job，在第一个job处理的基础上（即第一个job的reduce输出结果）再进行处理，将相同的key分发到相同的节点上处理。因为会产生两个job进行处理，在实际使用中还是要注意以及阈值的设置。

10.limit调优

limit语句通常是执行整个语句后返回部分结果。但通过设置参数set hive.limit.optimize.enable=true，将针对查询对元数据进行抽样。同时可能还需要设置以下两个参数：

set hive.limit.row.max.size=10000;设置最小的采样容量

set hive.limit.optimize.limit.file=20;设置最大的采样样本数

这种优化方式存在一个缺点：有可能部分数据永远不会被处理到

关联文章：