我们在工作中还是在学习中有都会遇到我们写的 HQL 语句执行效率不高，那我们该怎么提高查询效率那，这篇文章就带你从不同维度讲解,让你的 HQL 瞬间提高一个档次。记得收藏
一、Fetch 抓取（Hive 可以避免进行 MapReduce）
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.task.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。
<property> <name>hive.fetch.task.conversion</name> <value>more</value> <description> Expects one of [none, minimal, more]. Some select queries can be converted to single FETCH task minimizing latency. Currently the query should be single sourced not having any subquery and should not have any aggregations or distincts (which incurs RS), lateral views and joins. 0. none : disable hive.fetch.task.conversion </description> </property>
复制代码
1.1 案例实操
把 hive.fetch.task.conversion 设置成none，然后执行查询语句，都会执行mapreduce程序。
hive (default)> set hive.fetch.task.conversion=none;hive (default)> select * from score;hive (default)> select s_score from score;hive (default)> select s_score from score limit 3;
复制代码
把 hive.fetch.task.conversion 设置成more，然后执行查询语句，如下查询方式都不会执行mapreduce程序。
1.2 本地模式
大多数的 Hadoop Job 是需要 Hadoop 提供的完整的可扩展性来处理大数据集的。不过，有时Hive的输入数据量是非常小的。在这种情况下，为查询触发执行任务时消耗可能会比实际 job 的执行时间要多的多。对于大多数这种情况，Hive 可以通过本地模式在单台机器上处理所有的任务。对于小数据集，使用本地模式执行时间可以明显被缩短。
用户可以通过设置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。
set hive.exec.mode.local.auto=true; --开启本地MapReduce-- 设置local mr的最大输入数据量，当输入数据量小于这个值时采用local mr的方式，默认为134217728，即128Mset hive.exec.mode.local.auto.inputbytes.max=51234560;-- 设置local mr的最大输入文件个数，当输入文件个数小于这个值时采用local mr的方式，默认为4set hive.exec.mode.local.auto.input.files.max=10
复制代码
实操案例
开启本地模式，并执行查询语句
hive (default)> set hive.exec.mode.local.auto=true; hive (default)> select * from score cluster by s_id;1.568 seconds
复制代码
关闭本地模式，并执行查询语句
hive (default)> set hive.exec.mode.local.auto=false; hive (default)> select * from score cluster by s_id;11.865 seconds
复制代码
二、group By
默认情况下，Map 阶段同一 Key 数据分发给一个 reduce，当一个key数据过大时就倾斜了。
并不是所有的聚合操作都需要在 Reduce 端完成，很多聚合操作都可以先在Map端进行部分聚合，最后在Reduce端得出最终结果。
开启 Map 端聚合参数设置
-- 是否在Map端进行聚合，默认为Trueset hive.map.aggr = true;--在Map端进行聚合操作的条目数目set hive.groupby.mapaggr.checkinterval = 100000;-- 有数据倾斜的时候进行负载均衡（默认是false）set hive.groupby.skewindata = true;
复制代码
当选项设定为 true，生成的查询计划会有两个MR Job。第一个 MR Job 中，Map 的输出结果会随机分布到 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 有可能被分发到不同的 Reduce 中，从而达到负载均衡的目的；第二个 MR Job 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 被分布到同一个 Reduce 中），最后完成最终的聚合操作。
三、Count(distinct)
数据量小的时候无所谓，数据量大的情况下，由于 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：
环境准备
create table bigtable(id bigint, time bigint, uid string, keyword string, urlrank int, clicknum int, click_url string) row format delimited fields terminated by '\t';
load data local inpath '/home/bigtable' into table bigtable;
复制代码
**使用count(distinct)**
set hive.exec.reducers.bytes.per.reducer=32123456;SELECT count(DISTINCT id) FROM bigtable;结果：c010000Time taken: 35.49 seconds, Fetched: 1 row(s)
复制代码
使用转换
set hive.exec.reducers.bytes.per.reducer=32123456;SELECT count(id) FROM (SELECT id FROM bigtable GROUP BY id) a;结果：Stage-Stage-1: Map: 1 Reduce: 4 Cumulative CPU: 13.07 sec HDFS Read: 120749896 HDFS Write: 464 SUCCESSStage-Stage-2: Map: 3 Reduce: 1 Cumulative CPU: 5.14 sec HDFS Read: 8987 HDFS Write: 7 SUCCESS_c010000Time taken: 51.202 seconds, Fetched: 1 row(s)
复制代码
<font size="5" color="red">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。</font>
测试数据下载 链接：https://pan.baidu.com/s/1LwKKJTeXR4h0iaOAknZ7_g 提取码：5252
四、笛卡尔积
尽量避免笛卡尔积，即避免 join 的时候不加 on 条件，或者无效的 on 条件，Hive 只能使用 1 个 reducer 来完成笛卡尔积。
五、使用分区剪裁、列剪裁
在 SELECT 中，只拿需要的列，如果有，尽量使用分区过滤，少用 SELECT *。
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，比如：
数据准备
create table ori(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';create table bigtable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';load data local inpath '/home/bigtable' into table bigtable;load data local inpath '/home/ori' into table ori;
复制代码
先关联在 Where
select a.id FROM bigtable a left join ori o on a.id=o.id where o.id<=10;
复制代码
正确写法是在 ON 后面： 向 Where 在关联
select a.id FROM bigtable a left join ori o on (o.id<=10 and a.id=o.id);
复制代码
或者直接写成子查询
select a.id from bigtable a join (select id from ori o where o.id<=10) o on o.id=a.id;
复制代码
测试数据下载 链接：https://pan.baidu.com/s/1LwKKJTeXR4h0iaOAknZ7_g 提取码：5252
六、 动态分区调整
关系型数据库中，对分区表 Insert 数据时候，数据库自动会根据分区字段的值，将数据插入到相应的分区中，Hive 中也提供了类似的机制，即动态分区(Dynamic Partition)，只不过，使用 Hive 的动态分区，需要进行相应的配置。
以第一个表的分区规则，来对应第二个表的分区规则，将第一个表的所有分区，全部拷贝到第二个表中来，第二个表在加载数据的时候，不需要指定分区了，直接用第一个表的分区即可。
开启动态分区参数设置
开启动态分区参数设置
set hive.exec.dynamic.partition=true;
复制代码
设置为非严格模式（动态分区的模式，默认 strict，表示必须指定至少一个分区为静态分区，nonstrict 模式表示允许所有的分区字段都可以使用动态分区。）
set hive.exec.dynamic.partition.mode=nonstrict;
复制代码
在所有执行 MR 的节点上，最大一共可以创建多少个动态分区。
set hive.exec.max.dynamic.partitions=1000;
复制代码
在每个执行MR的节点上，最大可以创建多少个动态分区。该参数需要根据实际的数据来设定。比如：源数据中包含了一年的数据，即 day 字段有 365 个值，那么该参数就需要设置成大于 365，如果使用默认值 100，则会报错。
set hive.exec.max.dynamic.partitions.pernode=100
复制代码
整个 MR Job 中，最大可以创建多少个 HDFS 文件。
在linux系统当中，每个linux用户最多可以开启1024个进程，每一个进程最多可以打开2048个文件，即持有2048个文件句柄，下面这个值越大，就可以打开文件句柄越大
set hive.exec.max.created.files=100000
复制代码
当有空分区生成时，是否抛出异常。一般不需要设置。
set hive.error.on.empty.partition=false
复制代码
案例实操
需求： 将 ori 中的数据按照时间(如：20111231234568)，插入到目标表 ori_partitioned 的相应分区中。
准备数据表
create table ori_partitioned(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string)PARTITIONED BY (p_time bigint)row format delimited fields terminated by '\t';load data local inpath '/home/small_data' into table ori_partitioned partition (p_time='20111230000010');load data local inpath '/home/small_data' into table ori_partitioned partition (p_time='20111230000011');
复制代码
创建分区表
create table ori_partitioned_target(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) PARTITIONED BY (p_time STRING) row format delimited fields terminated by '\t';
复制代码
分析
如果按照之前介绍的往指定一个分区中 Insert 数据，那么这个需求很不容易实现。这时候就需要使用动态分区来实现。
set hive.exec.dynamic.partition = true;set hive.exec.dynamic.partition.mode = nonstrict;set hive.exec.max.dynamic.partitions = 1000;set hive.exec.max.dynamic.partitions.pernode = 100;set hive.exec.max.created.files = 100000;set hive.error.on.empty.partition = false;INSERT overwrite TABLE ori_partitioned_target PARTITION (p_time) SELECT id,`time`, uid, keyword, url_rank, click_num, click_url, p_time FROM ori_partitioned;
复制代码
注意：在PARTITION (p_time)中指定分区字段名即可；在 SELECT 子句的最后几个字段，必须对应前面 PARTITION (p_time)中指定的分区字段，包括顺序。
查看分区
sql
hive (default)> show partitions oripartitionedtarget;
OK
partition
p_time=20111230000010
p_time=20111230000011
Time taken: 0.607 seconds, Fetched: 2 row(s)
复制代码
测试数据下载 链接：https://pan.baidu.com/s/1LwKKJTeXR4h0iaOAknZ7_g 提取码：5252
七、数据倾斜
7.1 Map 数
通常情况下，作业会通过 input 的目录产生一个或者多个 map 任务。
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(目前为 128M，可在 hive 中通过 set dfs.block.size;命令查看到，该参数不能自定义修改）。
举例：
一个大文件：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。
多个小文件 ：假设 input 目录下有3个文件a，b，c大小分别为10m，20m，150m，那么 hadoop 会分隔成4个块（10m，20m，128m，22m），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。
是不是 map 数越多越好？：答案是否定的。如果一个任务有很多小文件（远远小于块大小 128m），则每个小文件也会被当做一个块，用一个 map 任务来完成，而一个 map 任务启动和初始化的时间远远大于逻辑处理的时间，就会造成很大的资源浪费。而且，同时可执行的 map 数是受限的。
是不是保证每个 map 处理接近 128m 的文件块，就高枕无忧了？：答案也是不一定。比如有一个 127m 的文件，正常会用一个 map 去完成，但这个文件只有一个或者两个字段，却有几千万的记录，如果 map 处理的逻辑比较复杂，用一个 map 任务去做，肯定也比较耗时
小结： 针对上面的问题 3 和 4，我们需要采取两种方式来解决：即减少 map 数和增加 map 数；这个就看看真实的场景去确认 map 的数量。
7.2 如何适当的增加 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。
针对上面的第 4 条
假设有这样一个任务：
Select data_desc,count(1),count(distinct id),sum(case when …),sum(case when …),sum(…)from a group by data_desc
复制代码
如果表 a 只有一个文件，大小为 120M，但包含几千万的记录，如果用 1 个 map 去完成这个任务，肯定是比较耗时的，这种情况下，我们要考虑将这一个文件合理的拆分成多个，这样就可以用多个 map 任务去完成。
set mapreduce.job.reduces =10;create table a_1 asselect * from adistribute by rand();
复制代码
这样会将 a 表的记录，随机的分散到包含 10 个文件的 a1 表中，再用 a1 代替上面 sql 中的 a 表，则会用 10 个 map 任务去完成。
每个 map 任务处理大于 12M（几百万记录）的数据，效率肯定会好很多。
看上去，貌似这两种有些矛盾，一个是要合并小文件，一个是要把大文件拆成小文件，这点正是重点需要关注的地方，根据实际情况，控制 map 数量需要遵循两个原则：使大数据量利用合适的map数；使单个map任务处理合适的数据量；
7.3 reduce 数
调整 reduce 个数方法一
hive.exec.reducers.bytes.per.reducer=256123456
复制代码
hive.exec.reducers.max=1009
复制代码
调整 reduce 个数方法二
set mapreduce.job.reduces = 15;
复制代码
reduce 个数并不是越多越好
在设置 reduce 个数的时候也需要考虑这两个原则：处理大数据量利用合适的reduce数；使单个reduce任务处理数据量大小要合适；
八、并行执行
Hive 会将一个查询转化成一个或者多个阶段。这样的阶段可以使 MapReduce 阶段、抽样阶段、合并阶段、limit 阶段。或者 Hive 执行过程中可能需要的其他阶段。默认情况下，Hive 一次只会执行一个阶段。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。不过，如果有更多的阶段可以并行执行，那么 job 可能就越快完成。
通过设置参数 hive.exec.parallel 值为 true，就可以开启并发执行。不过，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。
set hive.exec.parallel=true; //打开任务并行执行set hive.exec.parallel.thread.number=16; //同一个sql允许最大并行度，默认为8。
复制代码
<font size="3" color="#FF00FF">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。</font>
九、严格模式
Hive 提供了一个严格模式，可以防止用户执行“高危”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。
<property> <name>hive.mapred.mode</name> <value>strict</value> <description> The mode in which the Hive operations are being performed. In strict mode, some risky queries are not allowed to run. They include: Cartesian Product. No partition being picked up for a query. Comparing bigints and strings. Comparing bigints and doubles. Orderby without limit. </description> </property>
复制代码
对于分区表，用户不允许扫描所有分区，除非 where 语句中含有分区字段过滤条件来限制范围，否则不允许执行。进行这个限制的原因是，通常分区表都拥有非常大的数据集，而且数据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表。
对于使用了order by语句的查询，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，强制要求用户增加这个 LIMIT 语句可以防止 Reducer 额外执行很长一段时间。
限制笛卡尔积的查询。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。
十、 JVM 重用
JVM 重用是 Hadoop 调优参数的内容，其对 Hive 的性能具有非常大的影响，特别是对于很难避免小文件的场景或 task 特别多的场景，这类场景大多数执行时间都很短。
Hadoop 的默认配置通常是使用派生 JVM 来执行 map 和 Reduce 任务的。这时 JVM 的启动过程可能会造成相当大的开销，尤其是执行的 job 包含有成百上千 task 任务的情况。JVM重用可以使得JVM实例在同一个job中重新使用N次。N 的值可以在 Hadoop 的 mapred-site.xml 文件中进行配置。通常在 10-20 之间，具体多少需要根据具体业务场景测试得出。
<property> <name>mapreduce.job.jvm.numtasks</name> <value>10</value> <description>How many tasks to run per jvm. If set to -1, there is no limit. </description></property>
复制代码
我们也可以在 hive 当中通过
set mapred.job.reuse.jvm.num.tasks=10;
复制代码
这个设置来设置我们的 jvm 重用
这个功能的缺点是，开启 JVM 重用将一直占用使用到的 task 插槽，以便进行重用，直到任务完成后才能释放。如果某个“不平衡的”job 中有某几个 reduce task 执行的时间要比其他 Reduce task 消耗的时间多的多的话，那么保留的插槽就会一直空闲着却无法被其他的 job 使用，直到所有的 task 都结束了才会释放。
十一、推测执行
在分布式集群环境下，因为程序 Bug（包括 Hadoop 本身的 bug），负载不均衡或者资源分布不均等原因，会造成同一个作业的多个任务之间运行速度不一致，有些任务的运行速度可能明显慢于其他任务（比如一个作业的某个任务进度只有 50%，而其他所有任务已经运行完毕），则这些任务会拖慢作业的整体执行进度。为了避免这种情况发生，Hadoop 采用了推测执行（Speculative Execution）机制，它根据一定的法则推测出“拖后腿”的任务，并为这样的任务启动一个备份任务，让该任务与原始任务同时处理同一份数据，并最终选用最先成功运行完成任务的计算结果作为最终结果。
Hive 同样可以开启推测执行
设置开启推测执行参数：Hadoop 的mapred-site.xml文件中进行配置
<property> <name>mapreduce.map.speculative</name> <value>true</value> <description>If true, then multiple instances of some map tasks may be executed in parallel.</description></property>
<property> <name>mapreduce.reduce.speculative</name> <value>true</value> <description>If true, then multiple instances of some reduce tasks may be executed in parallel.</description></property>
复制代码
不过 hive 本身也提供了配置项来控制reduce-side的推测执行：
<property> <name>hive.mapred.reduce.tasks.speculative.execution</name> <value>true</value> <description>Whether speculative execution for reducers should be turned on. </description> </property>
复制代码
关于调优这些推测执行变量，还很难给一个具体的建议。如果用户对于运行时的偏差非常敏感的话，那么可以将这些功能关闭掉。如果用户因为输入数据量很大而需要执行长时间的 map 或者 Reduce task 的话，那么启动推测执行造成的浪费是非常巨大大。
十二、表的优化
12.1 Join
Join 原则
小表 Join 大表
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。
select count(distinct s_id) from score;select count(s_id) from score group by s_id; -- 在map端进行聚合，效率更高x`
复制代码
多个表关联时，最好分拆成小段，避免大 sql（无法控制中间 Job）
大表 Join 大表
(1) 空 KEY 过滤
有时 join 超时是因为某些 key 对应的数据太多，而相同 key 对应的数据都会发送到相同的 reducer 上，从而导致内存不够。此时我们应该仔细分析这些异常的 key，很多情况下，这些 key 对应的数据是异常数据，我们需要在 SQL 语句中进行过滤。
例如 key 对应的字段为空，操作如下：
sql
create table ori(id bigint, time bigint, uid string, keyword string, urlrank int, clicknum int, click_url string) row format delimited fields terminated by '\t';
create table nullidtable(id bigint, time bigint, uid string, keyword string, urlrank int, clicknum int, click_url string) row format delimited fields terminated by '\t';
create table jointable(id bigint, time bigint, uid string, keyword string, urlrank int, clicknum int, click_url string) row format delimited fields terminated by '\t';
load data local inpath '/home/hivebigtable/*' into table ori;
load data local inpath '/home/hivehavenull_id/*' into table nullidtable;
复制代码
不过滤运行结果
```sqlINSERT OVERWRITE TABLE jointable SELECT a.* FROM nullidtable a JOIN ori b ON a.id = b.id;Time taken: 129.416 seconds
复制代码
过滤运行结果
INSERT OVERWRITE TABLE jointable SELECT a.* FROM (SELECT * FROM nullidtable WHERE id IS NOT NULL ) a JOIN ori b ON a.id = b.id;Time taken: 116.691 seconds
复制代码
(2)空 key 转换
有时虽然某个 key 为空对应的数据很多，但是相应的数据不是异常数据，必须要包含在 join 的结果中，此时我们可以表 a 中key为空的字段赋一个随机的值，使得数据随机均匀地分不到不同的 reducer 上。例如：
不随机分布:
set hive.exec.reducers.bytes.per.reducer=32123456;
set mapreduce.job.reduces=7;
INSERT OVERWRITE TABLE jointable SELECT a.* FROM nullidtable a LEFT JOIN ori b ON CASE WHEN a.id IS NULL THEN 'hive' ELSE a.id END;
Time taken: 42.594 seconds
复制代码
结果：这样的后果就是所有为 null 值的 id 全部都变成了相同的字符串“hive”，及其容易造成数据的倾斜（所有的 key 相同，相同 key 的数据会到同一个 reduce 当中去）
为了解决这种情况，我们可以通过 hive 的 rand 函数，随记的给每一个为空的 id 赋上一个随机值，这样就不会造成数据倾斜
随机分布：
set hive.exec.reducers.bytes.per.reducer=32123456;set mapreduce.job.reduces=7;INSERT OVERWRITE TABLE jointable SELECT a.* FROM nullidtable a LEFT JOIN ori b ON CASE WHEN a.id IS NULL THEN concat('hive',rand()) ELSE a.id END;Time taken: 42.594 seconds
复制代码
案例实操
需求:测试大表 JOIN 小表和小表 JOIN 大表的效率 （新的版本当中已经没有区别了，旧的版本当中需要使用小表）
建大表、小表和 JOIN 后表的语句
create table bigtable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';
create table smalltable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';
create table jointable2(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';
复制代码
分别向大表小表导入数据
load data local inpath '/home/bigtable' into table bigtable; load data local inpath '/home/small_data' into table smalltable;
复制代码
关闭 mapjoin 功能（默认是打开的）
set hive.auto.convert.join = false;
复制代码
执行小表 JOIN 大表语句
INSERT OVERWRITE TABLE jointable2SELECT b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_urlFROM smalltable sleft JOIN bigtable bON b.id = s.id;Time taken: 30.133 seconds
复制代码
执行大表 JOIN 小表语句
INSERT OVERWRITE TABLE jointable2SELECT b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_urlFROM bigtable bleft JOIN smalltable sON s.id = b.id;OKb.id b.time b.uid b.keyword b.url_rank b.click_num b.click_urlTime taken: 25.116 seconds
复制代码
可以看出大表 join 小表或者小表 join 大表，就算是关闭 map 端 join 的情况下，在新的版本当中基本上没有区别了（hive 为了解决数据倾斜的问题，会自动进行过滤）
12.2 MapJoin
如果不指定MapJoin或者不符合MapJoin的条件，那么Hive解析器会将Join操作转换成Common Join（在Reduce阶段完成join）。容易发生数据倾斜。可以用 MapJoin 把小表全部加载到内存在 map 端进行 join，避免 reducer 处理。
开启 MapJoin 参数设置：
设置自动选择 Mapjoin
set hive.auto.convert.join = true; 默认为true
复制代码
大表小表的阈值设置（默认 25M 以下认为是小表）：
set hive.mapjoin.smalltable.filesize=25123456;
复制代码
MapJoin 工作机制
首先是 Task A，它是一个 Local Task（在客户端本地执行的 Task），负责扫描小表 b 的数据，将其转换成一个 HashTable 的数据结构，并写入本地的文件中，之后将该文件加载到 DistributeCache 中。
接下来是 Task B，该任务是一个没有 Reduce 的 MR，启动 MapTasks 扫描大表 a,在 Map 阶段，根据 a 的每一条记录去和 DistributeCache 中 b 表对应的 HashTable 关联，并直接输出结果。
由于 MapJoin 没有 Reduce，所以由 Map 直接输出结果文件，有多少个 Map Task，就有多少个结果文件。
案例实操：
开启 Mapjoin 功能
set hive.auto.convert.join = true; -- 默认为true
复制代码
执行小表 JOIN 大表语句
INSERT OVERWRITE TABLE jointable2SELECT b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_urlFROM smalltable sJOIN bigtable bON s.id = b.id;OKb.id b.time b.uid b.keyword b.url_rank b.click_num b.click_urlTime taken: 18.057 seconds
复制代码
3.执行大表 JOIN 小表语句
INSERT OVERWRITE TABLE jointable2SELECT b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_urlFROM smalltable sJOIN bigtable bON s.id = b.id;OKb.id b.time b.uid b.keyword b.url_rank b.click_num b.click_urlTime taken: 12.822 seconds
复制代码
测试数据下载 链接：https://pan.baidu.com/s/1LwKKJTeXR4h0iaOAknZ7_g 提取码：5252
总结
今天分享的内容有点多，满满的干货，其实我们在工作中写出 HQL 还有很大的优化，当你从执行一分钟的 SQL 语句优化到 10 秒钟的的时候一种什么体验？信自己，努力和汗水总会能得到回报的。我是大数据老哥，我们下期见~~~
>资源获取 获取 Flink 面试题，Spark 面试题，程序员必备软件，hive 面试题，Hadoop 面试题，Docker 面试题，简历模板等资源请去 GitHub 自行下载 https://github.com/lhh2002/Framework-Of-BigData
评论