同事总结的hive sql 优化

　　Hive是将符合SQL语法的字符串解析生成可以在Hadoop上执行的MapReduce的工具。

　　使用Hive尽量按照分布式计算的一些特点来设计sql，和传统关系型数据库有区别，

　　所以需要去掉原有关系型数据库下开发的一些固有思维。

　　基本原则：

　　1：尽量尽早地过滤数据，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

　　select ... from A

　　join B

　　on A.key = B.key

　　where A.userid>10

　　and B.userid<10

　　and A.dt=‘20120417‘

　　and B.dt=‘20120417‘;

　　应该改写为：

　　select .... from (select .... from A

　　where dt=‘201200417‘

　　and userid>10

　　) a

　　join ( select .... from B

　　where dt=‘201200417‘

　　and userid < 10　

　　) b

　　on a.key = b.key;

　　2：尽量原子化操作，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

　　drop table if exists tmp_table_1;

　　create table if not exists tmp_table_1 as

　　select ......;

　　drop table if exists tmp_table_2;

　　create table if not exists tmp_table_2 as

　　select ......;

　　drop table if exists result_table;

　　create table if not exists result_table as

　　select ......;

　　drop table if exists tmp_table_1;

　　drop table if exists tmp_table_2;

　　3：单个SQL所起的JOB个数尽量控制在5个以下

　　4：慎重使用mapjoin,一般行数小于2000行，大小小于1M(扩容后可以适当放大)的表才能使用,小表要注意放在join的左边（目前TCL里面很多都小表放在join的右边）。

　　否则会引起磁盘和内存的大量消耗

　　5：写SQL要先了解数据本身的特点，如果有join ,group操作的话，要注意是否会有数据倾斜

　　如果出现数据倾斜，应当做如下处理：

　　set hive.exec.reducers.max=200;

　　set mapred.reduce.tasks= 200;---增大Reduce个数

　　set hive.groupby.mapaggr.checkinterval=100000 ;--这个是group的键对应的记录条数超过这个值则会进行分拆,值根据具体数据量设置

　　set hive.groupby.skewindata=http://www.mamicode.com/true; --如果是group by过程出现倾斜 应该设置为true

　　set hive.skewjoin.key=100000; --这个是join的键对应的记录条数超过这个值则会进行分拆,值根据具体数据量设置

　　set hive.optimize.skewjoin=true;--如果是join 过程出现倾斜 应该设置为true

　　6：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%

　　insert overwite table tablename partition (dt= ....)

　　select ..... from (

　　select ... from A

　　union all

　　select ... from B

　　union all

　　select ... from C

　　) R

　　where ...;

　　可以改写为：

　　insert into table tablename partition (dt= ....)

　　select .... from A

　　WHERE ...;

　　insert into table tablename partition (dt= ....)

　　select .... from B

　　WHERE ...;

　　insert into table tablename partition (dt= ....)

　　select .... from C

　　WHERE ...;

同事总结的hivesql优化Hive是将符合SQL语法的字符串解析生成可以在Hadoop上执行的M