1.开启本地模式

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消耗的时间可能会比实际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，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mr
//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128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;
//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4
set hive.exec.mode.local.auto.input.files.max=10;

---

2.explain分析SQL语句

使用 explain 关键字分析 sql 语句，根据执行结果动态调整 sql 语句。

explain：只有对hql语句的解释。（Hive SQL）

Explain extended：对hql语句的解释，以及抽象表达式树的生成

1）stage 相当于一个job，一个stage可以是limit、也可以是一个子查询、也可以是group by等。

2）hive默认一次只执行一个stage，但是如果stage之间没有相互依赖，将可以并行执行。

3）任务越复杂，hql代码越复杂，stage越多，运行的时间一般越长。

我们可以通过explain关键字来分析一个语句，但作为一个初学者只需要知道可以通过explain分析即可，没有必要每一个语句都分析分析，而是应该把重心放在hql语句的业务编写上。

---

3.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【hive-site.xml】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
      1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only
      2. more  : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)
    </description>
</property>

---

4.开启hive的严格模式【提高了安全性】

防止写的烂sql影响集群，比如 select * from emp;

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

select * from emp where day='20231001'

2) 使用order by没有limit过滤

3) 笛卡尔积不允许出现 select * from emp,dept ;

严格模式，默认是开启的。

---

5.开启 JVM 重用

Hadoop中有个参数是mapred.job.reuse.jvm.num.tasks，默认是undefined，表示一个JVM上最多可以顺序执行的task数目（属于同一个Job）是1。也就是说一个task启一个JVM ，这样JVM的效率就比较低，需要JVM重用。

比如：编写了一个sql语句，启动多少个mapTask，多少个reduceTask,取决于数据量的大小。

假如启动了100个MapTask,50个ReduceTask, 如果每一个task都启动一个jvm虚拟机的话，开启和关闭虚拟机需要消耗时间的。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。

<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>
也可以通过：set mapred.job.reuse.jvm.num.tasks=10;进行设置

---

6.分区、分桶以及压缩

分区（Partitioning）是将表数据按照特定字段（如日期、地区等）划分为不同目录存储的技术。通过分区裁剪（Partition Pruning），查询时可跳过无关分区，减少扫描数据量。

1.选择高基数列：分区字段应具有较高区分度（如dt=20230101），避免分区数量爆炸（如按用户ID分区）。

2.避免过多层级：多级分区（如/dt=20230101/country=CN/）会增加元数据负担，通常2-3层足够。

SET hive.exec.dynamic.partition=true;
SET hive.exec.dynamic.partition.mode=nonstrict;

分桶（Bucketing）是将数据哈希分散到固定数量的文件中，适合JOIN、采样等场景。

1.桶数选择：桶数应与处理核心数成倍数关系（如CPU核数的2-4倍），避免小文件问题。

2.分桶字段：选择JOIN或GROUP BY的高频字段，如user_id。

CREATE TABLE bucketed_table (
  id INT,
  name STRING
) CLUSTERED BY (id) INTO 32 BUCKETS;

压缩减少存储空间和I/O开销，但会增加CPU负载，需权衡选择算法。

---

7.合理设置map和reduce的数量

合理设置map数量：

1）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。

2）map数不是越多越好

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 片儿，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。这种情况下就需要减少map数量！

3）每个map处理接近128m的文件块，也不一定就算完美

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小字段，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。这种情况下就需要增加map数量。

4）复杂文件增加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。

设置合理的reducer的个数：

1.调整reduce个数方法一
（1）每个Reduce处理的数据量默认是256MB
hive.exec.reducers.bytes.per.reducer=256000000
（2）每个任务最大的reduce数，默认为1009
hive.exec.reducers.max=1009
（3）计算reducer数的公式
N=min(参数2，总输入数据量/参数1)

2.调整reduce个数方法二
在hadoop的mapred-default.xml文件中修改
设置每个job的Reduce个数
set mapreduce.job.reduces = 15;

reduce个数并不是越多越好
（1）过多的启动和初始化reduce也会消耗时间和资源；
（2）另外，有多少个reduce，就会有多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题；

---

8.设置并行执行(阶段 Stage)

hive会将一个查询转化成一个或者多个阶段（Stage）。这样的阶段可以是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。

---

9.CBO优化-成本优化器

hive 语句，执行之前会有执行计划，开启 cbo 优化，可以自动优化执行计划，让 sql 执行效率变高，该功能默认开启。

set hive.cbo.enable=true;
set hive.compute.query.using.stats=true;
set hive.stats.fetch.column.stats=true;
set hive.stats.fetch.partition.stats=true;（这个设置在Hive 3.0.0以后就被删除了）

---

10.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过滤数据在进行join关联表的表。
比如 student  teacher 关联  假如只需要男生的数据，可以先过滤出来男生在跟teacher表关联

---

11.小表Join大表-使用MapJoin

小表 和 大表 join 时，小表写在 join 的左边，大表写在 join 的右边，将来 sql 语句会只走 mapJoin，mapJoin 不产生 shuffle 过程，所以速度查询比较快，不产生 shuffle 的原因是因为，它提前将小表的数据加载到了内存中。小表Join大表：Map Join 小表缓存并发送到各个节点，没有Shuffle的过程。

---

12.大表和大表 SMB Join

假如有两个大表，如何join速度快，就是创建两个分桶表表，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。

hive 的三种join
1、ReduceJoin 也叫 Common Join、Shuffle Join
2. MapJoin
3. Sort Merge Bucket Join(分桶表Join)

---

13.可以在hive表上创建索引

在某一个或者多个字段上添加索引，好处就是假如你的sql语句使用到了索引字段，查询速度会很快！
总而言之好处是提高查询效率。

索引不是越多越好，而是根据实际情况而定：
1、经常查询的字段加索引
2、多个表经常关联的字段加索引
   select * from emp ,dept where emp.deptno= dept.deptno;
3、主键天然是索引
4、一个表中假如有20个字段的话，最多4~5个字段加索引。
    添加索引查询速度变快，插入速度变慢

---

14.列裁剪与分区裁剪

sql语句在进行查询的时候不要全部查询，使用哪个字段就查询哪个字段，不要动不动就 * ;
需要哪个分区就查询哪个分区，不要全查。

   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。当列很多或者数据量很大时，如果 select * 或者不指定分区，全列扫描和全表扫描效率都很低。 
   Hive 在读数据的时候，可以只读取查询中所需要用到的列，而忽略其他的列。这样做可以节省读取开销：中间表存储开销和数据整合开销。

---

15.避免数据倾斜

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。

    主要表现：任务进度长时间维持在 99%或者 100%的附近，查看任务监控页面，发现只有少量 reduce 子任务未完成，因为其处理的数据量和其他的 reduce 差异过大。 单一 reduce 处理的记录数和平均记录数相差太大，通常达到好几倍之多，最长时间远大于平均时长。

举一个例子：

在单词统计的时候，让 a-p 放在一个文件，q-z 结果放在一个文件，如果 a-p 的单词只有几百个，q-z 的单词有几百万个。

（由于数据倾斜比较复杂，留到下一篇展开）