Hive优化高频面试题
文章目录
- 一、开启本地模式
- 二、explain分析sql语句
- 三、修改Fetch操作
- 四、开启hive的严格模式
- 五、JVM重用
- 六、分区、分桶以及压缩
- 七、合理设置map和ruduce的数量
- 八、设置并行执行
- 九、CBO优化-成本优化器
- 十、谓词下推
- 十一、小表join大表--使用MapJoin
- 十二、大表join大表--使用SMB Join
- 十三、列裁剪与分区裁剪
- 十四、避免数据倾斜
- 1、数据倾斜的表现
- 2、数据倾斜的原因和解决方案
- 1）数据类型不一致造成数据倾斜
- 2）数据中出现大量的null值
- 3）单表group by 出现数据倾斜
- 4）多表join出现数据倾斜
一、开启本地模式
数据量小的hive查询，集群模式浪费资源而且执行速度慢，此时可以开启本地模式，在单台机器上执行处理任务，执行时间会缩短。
二、explain分析sql语句
三、修改Fetch操作
Fetch抓取是指，Hive中对某些情况的查询可以不必使用MapReduce计算，在hive-site.xml文件中hive.fetch.task.conversion属性默认是more，在全局查找、字段查找、limit查找等都不走mapreduce
四、开启hive的严格模式
防止写的烂sql影响集群，开启严格模式以后，以下情况多报SQL错误：
1）分区表不使用分区过滤
2）使用order by没有limit过滤
3）笛卡尔积不允许出现 （select * from emp,dept）
五、JVM重用
jvm重用就是一个虚拟机开启以后，执行多个task任务，再关闭。大大提高执行效率
六、分区、分桶以及压缩
压缩分为map阶段的压缩和reduce阶段的压缩
压缩格式有bzip2、gzip、snappy、lzo
七、合理设置map和ruduce的数量
当input文件很大，任务逻辑复杂，map执行非常慢的时候，可以增加map数量，使每个map处理的数据量减少，提高任务的执行效率
过多的启动和初始化reduce也会消耗时间和资源，所以需要合理的设置reduce的数量
八、设置并行执行
set hive.exec.parallel=true;
set hive.exec.parallel.thread.number=16;
九、CBO优化-成本优化器
可以自动优化HQL中多个Join的顺序，并选择合适的Join算法。
十、谓词下推
所谓的谓词下推就是将where条件提前执行，比如先执行where过滤，再进行join关联
通过谓词下推，过滤条件将在map端提前执行，减少了map端的输出，降低了数据IO，节约资源，提升性能。
十一、小表join大表–使用MapJoin
Map Join ：小表进行缓存并发送到各个节点，将数据量小的表放在join的左边，在map端进行join，只有map没有reduce，所有没有Shuffle的过程
十二、大表join大表–使用SMB Join
分桶表join：创建两个分桶表，把大表的数据导入进去，然后让分桶表和分桶表进行join，速度会快，当然在执行之前，需要开启smb join的设置。
十三、列裁剪与分区裁剪
列裁剪就是在查询时只读取需要的列，分区裁剪就是只读取需要的分区。
-- 列裁剪
select name,age from emp;
-- 分区裁剪
select * from emp where dept='技术部';
十四、避免数据倾斜
1、数据倾斜的表现
数据倾斜是由于数据分布不均匀，造成数据大量的集中到一点，造成数据热点的现象。
2、数据倾斜的原因和解决方案
1）数据类型不一致造成数据倾斜
原因：两个表join时，on后面用来连接的两个字段类型不一致
解决办法：把类型转成一致的
如：
select * from users a join logs b on a.usr_id = cast(b.user_id as int)
2）数据中出现大量的null值
第一种情况：
null是异常值：比如userid出现null
解决方法：提前使用where过滤
如：
select * from (select * from user where id is not null) n join
bigtable o on n.id = o.id;
第二种情况：
出现null的数据不是异常数据，需要保留
解决方法：对应为null的数据随机赋一个表中不可能存在的值
如：
select n.* from nullidtable n full join bigtable o on nvl(n.id,rand()) = o.id;
如果id为空，则赋一个0~1之间的随机数字，不包含1，这个数字是id列不可能出现的数字
3）单表group by 出现数据倾斜
原因：按照 Key 分组以后，少量的任务负责绝大部分数据
解决方法：
第一种：使用参数优化
当任务中存在group
by操作同时聚合函数为count或者sum时，可以使用Combine（运行在map端的reduce）操作，在map端提前进行聚合
-- 是否在Map端进行聚合，默认为True
set 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
第二种：
增加Reduce数量
4）多表join出现数据倾斜
大表join小表：
可以使用MapJoin，没有Reduce阶段就不会出现数据倾斜
还可以使用大表打散，小表扩容
大表join大表：
使用smb join：
分桶表join：创建两个分桶表，把大表的数据导入进去，然后让分桶表和分桶表进行join，速度会快，当然在执行之前，需要开启smb join的设置。