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
whereA.userid>10
?????andB.userid<10
???????and A.dt='20120417'
???????and B.dt='20120417';
应该改写为：
select .... from(select .... from A
??????????????????wheredt='201200417'
?????????????????????????????????? and userid>10
???????????????????????????? ) a
join ( select ....from B
???????wheredt='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 ifexists tmp_table_1;
create table ifnot exists tmp_table_1 as
select ......;
?
drop table ifexists tmp_table_2;
create table ifnot exists tmp_table_2 as
select ......;
?
drop table ifexists result_table;
create table ifnot exists result_table as
select ......;
?
drop table ifexists tmp_table_1;
drop table ifexists 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：
sethive.exec.reducers.max=200;
setmapred.reduce.tasks= 200;---增大Reduce个数
sethive.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
sethive.groupby.skewindata=true; --如果是group by过程出现倾斜 应该设置为true
sethive.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
sethive.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 overwitetable tablename partition (dt= ....)
select ..... from(
???????????????????select... from A
???????????????????unionall
???????????????????select... from B
??????????????????union all
???????????????????select... from C
??????????????????????????????) R
where ...;
?
可以改写为：
insert into tabletablename partition (dt= ....)
select .... from A
WHERE ...;
?
insert into tabletablename partition (dt= ....)
select .... from B
WHERE ...;
?
insert into tabletablename partition (dt= ....)
select .... from C
WHERE ...;?
