Hive 的优化主要分为：配置优化、SQL 语句优化、任务优化等方案。
其中在开发过程中主要涉及到的可能是 SQL 优化这块。
优化的核心思想是：
HQL 语句优化
1、使用分区剪裁、列剪裁
在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在 Where 后面，那么就会先全表关联，之后再过滤。
select a.*from test1 aleft join test2 b on a.uid = b.uidwhere a.ds='2020-08-10'and b.ds='2020-08-10'
复制代码
上面这个 SQL 主要是犯了两个错误：
副表的过滤条件写在 where 后面，会导致先全表关联在过滤分区
on 的条件没有过滤 null 值的情况，如果两个数据表存在大批量 null 值的情况，会造成数据倾斜。
select a.*from test1 aleft join test2 b on (d.uid is not null and a.uid = b.uid and b.ds='2020-08-10')where a.ds='2020-08-10'
复制代码
如果 null 值也是需要的，那么需要在条件上转换，或者单独拿出来
select a.*from test1 aleft join test2 b on (a.uid is not null and a.uid = b.uid and b.ds='2020-08-10')where a.ds='2020-08-10'union allselect a.* from test1 a where a.uid is null
或者select a.*from test1 aleft join test2 b on case when a.uid is null then concat("test",RAND()) else a.uid end = b.uid and b.ds='2020-08-10'where a.ds='2020-08-10'
或者（子查询）select a.*from test1 aleft join (select uid from test2 where ds = '2020-08-10' and uid is not null) b on a.uid = b.uidwhere a.uid is not nulland a.ds='2020-08-10'
复制代码
2、尽量不要用 COUNT DISTINCT，因为 COUNT DISTINCT 操作需要用一个 Reduce Task 来完成，这一个 Reduce 需要处理的数据量太大，就会导致整个 Job 很难完成，一般 COUNT DISTINCT 使用先 GROUP BY 再 COUNT 的方式替换，虽然会多用一个 Job 来完成，但在数据量大的情况下，这个绝对是值得的。
select count(distinct uid)from testwhere ds='2020-08-10' and uid is not null
转换为
select count(a.uid)from (select uid from test where uid is not null and ds = '2020-08-10' group by uid) a
复制代码
3、使用 with as，因为拖慢 hive 查询效率出了 join 产生的 shuffle 以外，还有一个就是子查询，在 SQL 语句里面尽量减少子查询。with as 是将语句中用到的子查询事先提取出来（类似临时表），使整个查询当中的所有模块都可以调用该查询结果。使用 with as 可以避免 Hive 对不同部分的相同子查询进行重复计算。
select a.*from test1 aleft join test2 b on a.uid = b.uidwhere a.ds='2020-08-10'and b.ds='2020-08-10'
可以转化为
with b as select uidfrom test2where ds = '2020-08-10' and uid is not null
select a.*from test1 aleft join b on a.uid = b.uidwhere a.ds='2020-08-10' and a.uid is not null
复制代码
4、大小表的 join，写有 Join 操作的查询语句时有一条原则：应该将条目少的表/子查询放在 Join 操作符的左边。原因是在 Join 操作的 Reduce 阶段，位于 Join 操作符左边的表的内容会被加载进内存，将条目少的表放在左边，可以有效减少发生 OOM 错误的几率。
但新版的 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。
不过在做 join 的过程中通过小表在前可以适当的减少数据量，提高效率。
5、数据倾斜，数据倾斜的原理都知道，就是某一个或几个 key 占据了整个数据的 90%，这样整个任务的效率都会被这个 key 的处理拖慢，同时也可能会因为相同的 key 会聚合到一起造成内存溢出。
数据倾斜只会发生在 shuffle 过程中。这里给大家罗列一些常用的并且可能会触发 shuffle 操作的算子：distinct、 groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition 等。出现数据倾斜时， 可能就是你的代码中使用了这些算子中的某一个所导致的。
hive 的数据倾斜一般的处理方案：
常见的做法，通过参数调优：set hive.map.aggr=true;set hive.groupby.skewindata = ture;当选项设定为true时，生成的查询计划有两个MapReduce任务。在第一个MapReduce中，map的输出结果集合会随机分布到reduce中，每个reduce做部分聚合操作，并输出结果。这样处理的结果是，相同的Group By Key有可能分发到不同的reduce中，从而达到负载均衡的目的；第二个MapReduce任务再根据预处理的数据结果按照Group By Key分布到reduce中（这个过程可以保证相同的Group By Key分布到同一个reduce中），最后完成最终的聚合操作。
但是这个处理方案对于我们来说是个黑盒，无法把控。
一般处理方案是将对应的key值打散即可。
例如：select a.*from test1 aleft join test2 b on a.uid = b.uidwhere a.ds='2020-08-10'and b.ds='2020-08-10'
如果有90%的key都是null，这样不可避免的出现数据倾斜。select a.uidfrom test1 as ajoin( select case when uid is null then cast(rand(1000000) as int) else uid from test2 where ds='2020-08-10') b on a.uid = b.uidwhere a.ds='2020-08-10'
当然这种只是理论上的处理方案。正常的方案是null进行过滤，但是日常情况下不是这中特殊的key。那么在日常需求的情况下如何处理这种数据倾斜的情况呢：1. sample采样，获取哪些集中的key2. 将集中的key按照一定规则添加随机数3. 进行join，由于打散了，所以数据倾斜避免了4. 在处理结果中对之前的添加的随机数进行切分，变成原始的数据；
复制代码
当然这些优化都是针对 SQL 本身的优化，还有一些是通过参数设置去调整的，这里面就不再详细描述了。
但是优化的核心思想都差不多：
减少数据量
避免数据倾斜
减少 JOB 数
虚核心点：根据业务逻辑对业务实现的整体进行优化；
虚解决方案：采用 presto、impala 等专门的查询引擎，采用 spark 计算引擎替换 MR/TEZ
评论