Hive性能优化【严格模式、join优化、Map-Side聚合、JVM重用】

一.严格模式

　　通过设置以下参数开启严格模式：

　　>set hive.mapred.mode=strict;【默认为nonstrict非严格模式】

　　查询限制：

　　　　1.对于分区表，必须添加where查询条件来对分区字段进行条件过滤。

　　　　2.order by语句必须包含limit输出限制。

　　　　3.限制执行笛卡尔积的查询。

二.Hive排序

　　1.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。

　　2.sort by:对于单个reduce的数据进行排序。

　　3.distribute by:分区排序，经常和sort by结合使用。

　　4.cluster by:相当于sort by + distribute by【cluster by不能通过asc,desc的方法指定排序规则，可通过distribute by column sort by column asc|desc的方式】

三.Hive Join

　　1.join计算时，将小表放在join的左边。

　　2.map join,在Map端完成join，实现方式：

　　　　2.1sql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 btTable ON smallTable.key = bigTable.key;

　　　　2.2开启自动mapjoin，通过设置一下配置启动自动的mapjoin

　　　　　　set hive.auto.convert.join = true;【该参数为ture时，Hive自动对左边的表统计量，如果是小表就加入内存，即对小表用mapjoin】

　　　　相关参数配置：

　　　　>hive.mapjoin.smalltable.filesize;【大小表判断阈值，表的大小小于该值则为小表，加载到内存中】

　　　　>hive.ignore.mapjoin.hint;【默认值为true，是否忽略mapjoin hint即mapjoin标记】

　　　　>hive.auto.convert.join.noconditionaltask;【默认值为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，列表的最大值】

四.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;

　　相关参数配置：

　　　　>hive.groupby.mapaggr.checkinterval:map端group by执行聚合时处理的数据条数【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【默认0.5】则不聚合】

　　　　>hive.map.aggr.hash.percentmemeory:map端聚合使用的内存的最大值

　　　　>hive.map.aggr.hash.force.flush.memory.threshold:map端做聚合操作时hash表的最大可以容量，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

五.控制hive中map和reduce的数量

　　map数量相关参数：

　　　　>mapred.max.split.size：一个split的最大值，即每个map处理文件的最大值

　　　　>maprd.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

六.JVM重用

　　适用场景：

　　　　1.小文件个数过多

　　　　2.task个数过多

　　通过执行：set mapred.job.reuse.jvm.num.tasks=n;来设置task插槽个数

　　缺点：

　　　　设置开启后，task插槽会一直占用资源，不论是否有task，直到所有的task即整个job执行完成后才会释放所有的task插槽资源！