1、01開啟FetchTask一個簡單的查詢語句，是指一個沒有函數、排序等功能的語句，當開啟一個Fetch Task功能，就執行一個簡單的查詢語句不會生成MapRreduce作業，而是直接使用FetchTask，從hdfs文件系統中進行查詢輸出數據，從而提高效率。設置的方式：Hive.fetch.task.conversion默認為minimal修改配置文件hive-site.xmlhive.fetch.task.conversionmoreSomeselectqueriescanbeconvertedtosingleFETCHtaskminimizinglatency.Currentlytheq

2、ueryshouldbesinglesourcednothavinganysubqueryandshouldnothaveanyaggregationsordistincts(whichincurrsRS),lateralviewsandjoins.1.minimal:SELECTSTAR,FILTERonpartitioncolumns,LIMITonly2.more:SELECT,FILTER,LIMITonly(+TABLESAMPLE,virtualcolumns)或者當前session修改hivesethive.fetch.task.conversion=more;執行SELECTi

3、d,moneyFROMmlimit10;不走mr02合并中間表一個日志文件中，每一行記錄，會有很多很多字段，四五十個字段很正常。實際分析中，常常使用少數幾個字段將原始的表中數據，依據業務需求提取出要分析的字段，數據放入到對應的業務表（子表）中，實際的業務針對業務表進行分析。在實際中，我們會發現，有些業務處理，會有共同數據集用戶表、訂單表、商品表，三個表需要進行join的操作，join 會產生一個結果集，會有很多的業務是針對此jion結果集進行分析。優化：將眾多的業務中相同的中間結果集，抽取到一個Hive中的表中去。03合理使用分區表外部表、分區表，結合使用，采用多級分區。數據采用存儲格式（te

4、xtfile、orcfile、parquet）或者數據壓縮(snappy)。明細數據我們一般采用按天分區，對于特別大的表，可以采用子分區，每個分區其實對應到HDFS上就是一個目錄。數據存儲方式我們可以采用parquet列式存儲，同時具有很好的壓縮性能；同時可以減少大量的表掃描和反序列化的時間。在OLAP查詢場景下，我們選擇需要的列信息進行查詢，而不是直接select * 查詢所有字段。04jvm重用JVM重用是hadoop調優參數的內容，對hive的性能具有非常大的影響，特別是對于很難避免小文件的場景或者task特別多的場景，這類場景大多數執行時間都很短。hadoop默認配置是使用派生JVM來

5、執行map和reduce任務的，這是jvm的啟動過程可能會造成相當大的開銷，尤其是執行的job包含有成千上萬個task任務的情況。JVM重用可以使得JVM實例在同一個JOB中重新使用N次，N的值可以在Hadoop的mapre-site.xml文件中進行設置。mapred.job.reuse.jvm.num.tasks 1也可在hive的執行設置：setmapred.job.reuse.jvm.num.tasks = 10;JVM的一個缺點是，開啟JVM重用將會一直占用使用到的task插槽，以便進行重用，直到任務完成后才能釋放。如果某個“不平衡“的job中有幾個reduce task 執行的時間

6、要比其他reduce task消耗的時間多得多的話，那么保留的插槽就會一直空閑著卻無法被其他的job使用，直到所有的task都結束了才會釋放。05年Speculative execution（推測執行）所謂的推測執行，就是當所有task都開始運行之后，Job Tracker會統計所有任務的平均進度，如果某個task所在的task node機器配置比較低或者CPU load很高（原因很多），導致任務執行比總體任務的平均執行要慢，此時Job Tracker會啟動一個新的任務（duplicate task），原有任務和新任務哪個先執行完就把另外一個kill掉。推測執行需要設置Job的兩個參數：map

7、red.map.tasks.speculative.execution=truemapred.reduce.tasks.speculative.execution=true06合理設置reduce個數reduce個數參數1：hive.exec.reducers.bytes.per.reducer=256000000/每個reduce任務處理的數據量參數2：hive.exec.reducers.max=1009/每個任務最大的reduce數目計算公式：reducer個數=min(參數2,總輸入數據量/參數1)set mapred.reduce.tasks =N：每個任務默認的reduce數目。典

8、型為0.99* reduce槽數，hive默認為-1，即自動確定reduce數目。reduce個數并不是越多越好同map一樣，啟動和初始化reduce也會消耗時間和資源；另外，有多少個reduce，就會有多少個輸出文件，如果生成了很多個小文件，那么如果這些小文件作為下一個任務的輸入，則也會出現小文件過多的問題。小文件過多會非常影響查詢效率，文件越多造成的IO就越多，同時還會增加元數據（namenode）的壓力。在生產環境中，一定要避免小文件問題，如果核查發現，及時合并文件！07開啟并行執行并行執行，意思是同步執行hive的多個階段，hive在執行過程，將一個查詢轉化成一個或者多個階段。某個特定

9、的job可能包含眾多的階段，而這些階段可能并非完全相互依賴的，也就是說可以并行執行的，這樣可能使得整個job的執行時間縮短hive.exec.parallel.thread.number8/job并行執行的數目，一個SQL語句可能有很多mapreduce任務，限制hive.exec.parallelfalsehive執行開啟：sethive.exec.parallel=true08優化sqlwhere條件優化優化前（關系數據庫不用考慮會自動優化）：selectm.cid,u.idfromordermjoincustomeruon(m.cid=u.id)wherem.dt=20180808;優化

10、后(where條件在map端執行而不是在reduce端執行）：selectm.cid,u.idfrom（select*fromorderwheredt=20180818）mjoincustomeruon(m.cid=u.id);union優化盡量不要使用union （union 去掉重復的記錄）而是使用 union all 然后在用group by 去重count distinct優化不要使用count (distinct cloumn) ,使用子查詢。selectcount(1)from(selectidfromtablenamegroupbyid)tmp;用in 來代替join如果需要根據

11、一個表的字段來約束另為一個表，盡量用in來代替join 。selectid,namefromtb1ajointb2bon(a.id=b.id);selectid,namefromtb1whereidin(selectidfromtb2);in 要比join 快消滅子查詢內的 group by 、 COUNT(DISTINCT)，MAX，MIN。可以減少job的數量。join 優化：Common/shuffle/Reduce JOIN：連接發生的階段，發生在reduce 階段，適用于大表連接大表(默認的方式)Map join ：連接發生在map階段，適用于小表連接大表 大表的數據從文件中讀取；小表的數據存放在內存中（hive中已經自動進行了優化，自動判斷小表，然后進行緩存）。sethive.auto.convert.join=true;SMB join：Sort -Merge -Bucket Join 對大表連接大表的優化，用桶表的概念來進行優化。在一個桶內發送生笛卡爾積連接（需要是兩個桶表進行join）se