1. Hive表设计优化

1.1 分区表

优化前：普通表查询
image.png
优化后：分区表查询
image.png
总结，分区表结构的设计思想是：根据查询的需求，将数据按照查询的条件【一般都以时间】进行划分分区存储，将不同分区的数据单独使用一个HDFS目录来进行存储，当底层实现计算时，根据查询的条件，只读取对应分区的数据作为输入，减少不必要的数据加载，提高程序的性能。

1.2 分桶表

1.2.1 Hive中join的问题

Hive Join的底层是通过MapReduce来实现的，但是Hive实现Join时面临一个问题：如果有两张非常大的表要进行Join，两张表的数据量都很大，Hive底层通过MapReduce实现时，无法使用MapJoin提高Join的性能，只能走默认的ReduceJoin，而ReduceJoin必须经过Shuffle过程，相对性能比较差，而且容易产生数据倾斜，如何解决这个问题？

1.2.2 分桶表设计思想

分桶表的设计有别于分区表的设计，分区表是将数据划分不同的目录进行存储，而分桶表是将数据划分不同的文件进行存储。分桶表的设计是按照一定的规则（hash）将数据划分到不同的文件中进行存储，构建分桶表。
如果有两张表按照相同的划分规则【按照Join的关联字段】将各自的数据进行划分，在Join时，就可以实现Bucket与Bucket的Join，避免不必要的比较。
例如：当前有两张表，订单表有1000万条，用户表有10万条，两张表的关联字段是userid，现在要实现两张表的Join。
我们将订单表和用户表都按照userid划分为3个桶。在Join时，只需要将两张表的Bucket0与Bucket0进行Join，Bucket1与Bucket1进行Join，Bucket2与Bucket2进行Join即可，不用让所有的数据挨个比较，降低了比较次数，提高了Join的性能。
image.png

1.3 索引

索引功能支持是从Hive0.7版本开始，到Hive3.0不再支持。
Hive中索引的基本原理：当为某张表的某个字段创建索引时，Hive中会自动创建一张索引表，该表记录了该字段的每个值与数据实际物理位置之间的关系，例如数据所在的HDFS文件地址，以及所在文件中偏移量offset等信息。

  • Hive索引问题

Hive构建索引的过程是通过一个MapReduce程序来实现的，这就导致了Hive的一个问题，每次Hive中原始数据表的数据发生更新时，索引表不会自动更新，必须手动执行一个Alter index命令来实现通过MapReduce更新索引表，导致整体性能较差，维护相对繁琐。
实际工作场景中，一般不推荐使用Hive Index，推荐使用ORC文件格式中的索引来代替Hive Index提高查询性能。

2. Hive表数据优化

2.1 文件格式

Hive数据存储的本质还是HDFS，所有的数据读写都基于HDFS的文件来实现，为了提高对HDFS文件读写的性能，Hive中提供了多种文件存储格式：TextFile、SequenceFile、RCFile、ORC、Parquet等。不同的文件存储格式具有不同的存储特点，有的可以降低存储空间，有的可以提高查询性能等，可以用来实现不同场景下的数据存储，以提高对于数据文件的读写效率。

2.1.1 TextFile

TextFIle是Hive中默认的文件格式，存储形式为按行存储。建表时不指定存储格式即为textfile，导入数据时把数据文件拷贝至hdfs不进行处理。

  • TextFile的优点
    • 最简单的数据格式，不需要经过处理，可以直接cat查看
    • 可以使用任意的分隔符进行分割
    • 便于和其他工具（Pig, grep, sed, awk）共享数据
    • 可以搭配Gzip、Bzip2、Snappy等压缩一起使用
  • TextFile的缺点
    • 耗费存储空间，I/O性能较低
    • 结合压缩时Hive不进行数据切分合并，不能进行并行操作，查询效率低
    • 按行存储，读取列的性能差

  • TextFile的应用场景

    • 适合于小量数据的存储查询
    • 一般用于做第一层数据加载和测试使用

      2.1.2 SequenceFile

      SequenceFile是Hadoop里用来存储序列化的键值对即二进制的一种文件格式。SequenceFile文件也可以作为MapReduce作业的输入和输出，hive也支持这种格式。

  • SequenceFIle的优点

    • 以二进制的KV形式存储数据，与底层交互更加友好，性能更快
    • 可压缩、可分割，优化磁盘利用率和I/O
    • 可并行操作数据，查询效率高
    • SequenceFile也可以用于存储多个小文件
  • SequenceFIle的缺点
    • 存储空间消耗最大
    • 与非Hadoop生态系统之外的工具不兼容
    • 构建SequenceFile需要通过TextFile文件转化加载

  • SequenceFIle的应用

    • 适合于小量数据，但是查询列比较多的场景
      1. create table tb_sogou_seq(
      2. stime string,
      3. userid string,
      4. keyword string,
      5. clickorder string,
      6. url string
      7. )
      8. row format delimited fields terminated by '\t'
      9. stored as sequencefile;

      2.1.3 Parquet

      Parquet是一种支持嵌套结构的列式存储文件格式，最早是由Twitter和Cloudera合作开发，2015年5月从Apache孵化器里毕业成为Apache顶级项目。是一种支持嵌套数据模型对的列式存储系统，作为大数据系统中OLAP查询的优化方案，它已经被多种查询引擎原生支持，并且部分高性能引擎将其作为默认的文件存储格式。通过数据编码和压缩，以及映射下推和谓词下推功能，Parquet的性能也较之其它文件格式有所提升。
      Parquet 是与语言无关的，而且不与任何一种数据处理框架绑定在一起，适配多种语言和组件，能够与 Parquet 适配的查询引擎包括 Hive, Impala, Pig, Presto, Drill, Tajo, HAWQ, IBM Big SQL等，计算框架包括 MapReduce, Spark, Cascading, Crunch, Scalding, Kite 等
      Parquet是Hadoop生态圈中主流的列式存储格式，并且行业内流行这样一句话流传：如果说HDFS是大数据时代文件系统的事实标准，Parquet 就是大数据时代存储格式的事实标准。Hive中也同样支持使用Parquet格式来实现数据的存储，并且是工作中主要使用的存储格式之一。

  • Parquet的优点

    • 更高效的压缩和编码
    • 可用于多种数据处理框架
  • Parquet的缺点
    • 不支持update, insert, delete, ACID

  • Parquet的应用

    • 适用于字段数非常多，无更新，只取部分列的查询。
      1. create table tb_sogou_parquet(
      2. stime string,
      3. userid string,
      4. keyword string,
      5. clickorder string,
      6. url string
      7. )
      8. row format delimited fields terminated by '\t'
      9. stored as parquet;

      2.1.4 ORC

      ORC（OptimizedRC File）文件格式也是一种Hadoop生态圈中的列式存储格式，源自于RC（RecordColumnar File），它的产生早在2013年初，最初产生自Apache Hive，用于降低Hadoop数据存储空间和加速Hive查询速度。它并不是一个单纯的列式存储格式，仍然是首先根据行组分割整个表，在每一个行组内进行按列存储。ORC文件是自描述的，它的元数据使用Protocol Buffers序列化，并且文件中的数据尽可能的压缩以降低存储空间的消耗，目前也被Hive、Spark SQL、Presto等查询引擎支持。2015年ORC项目被Apache项目基金会提升为Apache顶级项目。
      ORC文件也是以二进制方式存储的，所以是不可以直接读取，ORC文件也是自解析的，它包含许多的元数据，这些元数据都是同构ProtoBuffer进行序列化的。其中涉及到如下的概念：

  • ORC文件：保存在文件系统上的普通二进制文件，一个ORC文件中可以包含多个stripe，每一个stripe包含多条记录，这些记录按照列进行独立存储，对应到Parquet中的row group的概念。

  • 文件级元数据：包括文件的描述信息PostScript、文件meta信息（包括整个文件的统计信息）、所有stripe的信息和文件schema信息。

stripe：一组行形成一个stripe，每次读取文件是以行组为单位的，一般为HDFS的块大小，保存了每一列的索引和数据。
stripe元数据：保存stripe的位置、每一个列的在该stripe的统计信息以及所有的stream类型和位置。
row group：索引的最小单位，一个stripe中包含多个row group，默认为10000个值组成。
stream：一个stream表示文件中一段有效的数据，包括索引和数据两类。索引stream保存每一个row group的位置和统计信息，数据stream包括多种类型的数据，具体需要哪几种是由该列类型和编码方式决定。
ORC文件中保存了三个层级的统计信息，分别为文件级别、stripe级别和row group级别的，他们都可以用来根据Search ARGuments（谓词下推条件）判断是否可以跳过某些数据，在统计信息中都包含成员数和是否有null值，并且对于不同类型的数据设置一些特定的统计信息。

  • ORC的优点
    • 列式存储，存储效率非常高
    • 可压缩，高效的列存取
    • 查询效率较高，支持索引
    • 支持矢量化查询
  • ORC的缺点
    • 加载时性能消耗较大
    • 需要通过text文件转化生成
    • 读取全量数据时性能较差

  • ORC的应用

    • 适用于Hive中大型的存储、查询
      1. create table tb_sogou_orc(
      2. stime string,
      3. userid string,
      4. keyword string,
      5. clickorder string,
      6. url string
      7. )
      8. row format delimited fields terminated by '\t'
      9. stored as orc;

      2.2 数据压缩

      Hive底层转换HQL运行MapReduce程序时，磁盘I/O操作、网络数据传输、shuffle和merge要花大量的时间，尤其是数据规模很大和工作负载密集的情况下，鉴于磁盘I/O和网络带宽是Hadoop的宝贵资源，数据压缩对于节省资源、最小化磁盘I/O和网络传输非常有帮助。如果磁盘I/O和网络带宽影响了MapReduce作业性能，在任意MapReduce阶段启用压缩都可以改善端到端处理时间并减少I/O和网络流量。

  • 压缩的优点

    • 减小文件存储所占空间
    • 加快文件传输效率，从而提高系统的处理速度
    • 降低IO读写的次数
  • 压缩的缺点
    • 使用数据时需要先对文件解压，加重CPU负荷，压缩算法越复杂，解压时间越长
  • Hadoop中各种压缩算法对比

image.png

2.2.1 Hive 压缩配置

Hive中的压缩就是使用了Hadoop中的压缩实现的，所以Hadoop中支持的压缩在Hive中都可以直接使用。
Hadoop中支持的压缩算法：
image.png
要想在Hive中使用压缩，需要对MapReduce和Hive进行相应的配置。

  • 临时配置

配置MapReduce开启输出压缩及配置压缩类型

  1. --开启输出压缩
  2. set mapreduce.output.fileoutputformat.compress=true;
  3. --配置压缩类型为Snappy
  4. set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;

配置Hive开启中间结果压缩和输出压缩及配置压缩类型

  1. -- 中间结果压缩
  2. set hive.exec.compress.intermediate=true;
  3. set hive.intermediate.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;
  4. -- 输出结果压缩
  5. set hive.exec.compress.output=true;
  • 永久配置

（1）将以上MapReduce的配置写入mapred-site.xml中，重启Hadoop
（2）将以上Hive的配置写入hive-site.xml中，重启Hive

2.3 存储优化

2.3.1 避免生成小文件

Hive的存储本质还是HDFS，HDFS是不利于小文件存储的，因为每个小文件会产生一条元数据信息，并且不利用MapReduce的处理，MapReduce中每个小文件会启动一个MapTask计算处理，导致资源的浪费，所以在使用Hive进行处理分析时，要尽量避免小文件的生成。
那么在使用Hive时，如何能避免小文件的生成呢？当我们使用多个Reduce进行聚合计算时，我们并不清楚每个Reduce最终会生成的结果的数据大小，无法控制用几个Reduce来处理。Hive中为我们提供了一个特殊的机制，可以自动的判断是否是小文件，如果是小文件可以自动将小文件进行合并。

  • 配置

    1. -- 如果hive的程序，只有maptask，将MapTask产生的所有小文件进行合并
    2. set hive.merge.mapfiles=true;
    3. -- 如果hive的程序，有Map和ReduceTask,将ReduceTask产生的所有小文件进行合并
    4. set hive.merge.mapredfiles=true;
    5. -- 每一个合并的文件的大小
    6. set hive.merge.size.per.task=256000000;
    7. -- 平均每个文件的大小，如果小于这个值就会进行合并
    8. set hive.merge.smallfiles.avgsize=16000000;

    2.3.2 读取小文件

    尽管我们通过配置避免了多个小文件的同时产生，但是我们总会遇到数据处理的中间结果是小文件的情况，例如每个小时的分区数据中，大多数小时的数据都比较多，但是个别几个小时，如凌晨的2点~6点等等，数据量比较小，下一步进行处理时就必须对多个小文件进行处理，那么这种场景下怎么解决呢？
    类似于MapReduce中的解决方案，Hive中也提供一种输入类CombineHiveInputFormat，用于将小文件合并以后，再进行处理。

  • 配置

    1. -- 设置Hive中底层MapReduce读取数据的输入类：将所有文件合并为一个大文件作为输入
    2. set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

    2.3.3 ORC文件索引

    在使用ORC文件时，为了加快读取ORC文件中的数据内容，ORC提供了两种索引机制：Row Group Index和 Bloom Filter Index可以帮助提高查询ORC文件的性能，当用户写入数据时，可以指定构建索引，当用户查询数据时，可以根据索引提前对数据进行过滤，避免不必要的数据扫描。

  • Row Group Index

一个ORC文件包含一个或多个stripes(groups of row data)，每个stripe中包含了每个column的min/max值的索引数据，当查询中有<,>,=的操作时，会根据min/max值，跳过扫描不包含的stripes。而其中为每个stripe建立的包含min/max值的索引，就称为Row Group Index行组索引，也叫min-max Index大小对比索引，或者Storage Index。
在建立ORC格式表时，指定表参数’orc.create.index’=’true’之后，便会建立Row Group Index，需要注意的是，为了使Row Group Index有效利用，向表中加载数据时，必须对需要使用索引的字段进行排序，否则，min/max会失去意义。另外，这种索引主要用于数值型字段的范围查询过滤优化上。
image.png

  • 开启索引配置
    1. set hive.optimize.index.filter=true;
    永久生效，请配置在hive-site.xml中
    使用： ```sql — 创建表，并指定构建索引 create table tb_sogou_orc_index stored as orc tblproperties (“orc.create.index”=”true”) as select * from tb_sogou_source distribute by stime sort by stime;

— 当进行范围或者等值查询（<,>,=）时就可以基于构建的索引进行查询 select count(*) from tb_sogou_orc_index where stime > ‘12:00:00’ and stime < ‘18:00:00’;

  2. - **Bloom Filter Index**
  4. 建表时候，通过表参数”orc.bloom.filter.columns”=”columnName……”来指定为哪些字段建立BloomFilter索引，这样，在生成数据的时候，会在每个stripe中，为该字段建立BloomFilter的数据结构，当**查询条件中包含对该字段的=号过滤时候**，先从BloomFilter中获取以下是否包含该值，如果不包含，则跳过该stripe。<br />使用：
  5. ```sql
  6. -- 创建表，并指定构建索引
  7. create table tb_sogou_orc_bloom
  8. stored as orc tblproperties ("orc.create.index"="true",orc.bloom.filter.columns"="stime,userid")
  9. as select * from tb_sogou_source distribute by stime sort by stime;
  11. -- stime的范围过滤可以走row group index，userid的过滤可以走bloom filter index
  12. select
  13.   count(*)
  14. from tb_sogou_orc_index
  15. where stime > '12:00:00' and stime < '18:00:00'
  16. and userid = '3933365481995287' ;

2.3.4 ORC矢量化查询

Hive的默认查询执行引擎一次处理一行，而矢量化查询执行是一种Hive针对ORC文件操作的特性，目的是按照每批1024行读取数据，并且一次性对整个记录整合（而不是对单条记录）应用操作，提升了像过滤, 联合, 聚合等等操作的性能。
注意：要使用矢量化查询执行，就必须以ORC格式存储数据。

  • 配置

    1. set hive.vectorized.execution.enabled = true;
    2. set hive.vectorized.execution.reduce.enabled = true;

    3. 计算Job执行优化

    3.1 Explain

    explain会解析HQL语句，将整个HQL语句的实现步骤、依赖关系、实现过程都会进行解析返回，可以帮助更好的了解一条HQL语句在底层是如何实现数据的查询及处理的过程。

  • 语法 | EXPLAIN [FORMATTED|EXTENDED|DEPENDENCY|AUTHORIZATION|] query | | —- |

    • FORMATTED：对执行计划进行格式化，返回JSON格式的执行计划
    • EXTENDED：提供一些额外的信息，比如文件的路径信息
    • DEPENDENCY：以JSON格式返回查询所依赖的表和分区的列表
    • AUTHORIZATION：列出需要被授权的条目，包括输入与输出
  • 组成

解析后的执行计划一般由三个部分构成，分别是：
（1）The Abstract Syntax Tree for the query
抽象语法树：Hive使用Antlr解析生成器，可以自动地将HQL生成为抽象语法树
（2）The dependencies between the different stages of the plan
Stage依赖关系：会列出运行查询所有的依赖以及stage的数量
（3）The description of each of the stages
Stage内容：包含了非常重要的信息，比如运行时的operator和sort orders等具体的信息

3.2 MapReduce属性优化

3.2.1 本地模式

使用Hive的过程中，有一些数据量不大的表也会转换为MapReduce处理，提交到集群时，需要申请资源，等待资源分配，启动JVM进程，再运行Task，一系列的过程比较繁琐，本身数据量并不大，提交到YARN运行返回会导致性能较差的问题。
Hive为了解决这个问题，延用了MapReduce中的设计，提供本地计算模式，允许程序不提交给YARN，直接在本地运行，以便于提高小数据量程序的性能。

  • 配置

    1. -- 开启本地模式
    2. set hive.exec.mode.local.auto = true;

    限制条件
    Hive为了避免大数据量的计算也使用本地模式导致性能差的问题，所以对本地模式做了以下限制，如果以下任意一个条件不满足，那么即使开启了本地模式，将依旧会提交给YARN集群运行。

  • 处理的数据量不超过128M

  • MapTask的个数不超过4个

  • ReduceTask的个数不超过1个

    3.2.2 JVM重用

    JVM正常指代一个Java进程，Hadoop默认使用派生的JVM来执行map-reducer，如果一个MapReduce程序中有100个Map，10个Reduce，Hadoop默认会为每个Task启动一个JVM来运行，那么就会启动100个JVM来运行MapTask，在JVM启动时内存开销大，尤其是Job大数据量情况，如果单个Task数据量比较小，也会申请JVM资源，这就导致了资源紧张及浪费的情况。
    为了解决上述问题，MapReduce中提供了JVM重用机制来解决，JVM重用可以使得JVM实例在同一个job中重新使用N次，当一个Task运行结束以后，JVM不会进行释放，而是继续供下一个Task运行，直到运行了N个Task以后，就会释放，N的值可以在Hadoop的mapred-site.xml文件中进行配置，通常在10-20之间。

  • 配置

    1. -- Hadoop3之前的配置，在mapred-site.xml中添加以下参数
    2. -- Hadoop3中已不再支持该选项
    3. mapreduce.job.jvm.numtasks=10

    3.2.3 并行执行

    Hive在实现HQL计算运行时，会解析为多个Stage，有时候Stage彼此之间有依赖关系，只能挨个执行，但是在一些别的场景下，很多的Stage之间是没有依赖关系的，例如Union语句，Join语句等等，这些Stage没有依赖关系，但是Hive依旧默认挨个执行每个Stage，这样会导致性能非常差，我们可以通过修改参数，开启并行执行，当多个Stage之间没有依赖关系时，允许多个Stage并行执行，提高性能。

  • 配置

    1. -- 开启Stage并行化，默认为false
    2. SET hive.exec.parallel=true;
    3. -- 指定并行化线程数，默认为8
    4. SET hive.exec.parallel.thread.number=16;

    注意：线程数越多，程序运行速度越快，但同样更消耗CPU资源

    3.3 Join优化

    表的Join是数据分析处理过程中必不可少的操作，Hive同样支持Join的语法，Hive Join的底层还是通过MapReduce来实现的，Hive实现Join时，为了提高MapReduce的性能，提供了多种Join方案来实现。例如适合小表Join大表的Map Join，大表Join大表的Reduce Join，以及大表Join的优化方案Bucket Join等。

    3.3.1 Map Join

  • 应用场景

适合于小表join大表或者小表Join小表

  • 原理

image.png
将小的那份数据给每个MapTask的内存都放一份完整的数据，大的数据每个部分都可以与小数据的完整数据进行join。
底层不需要经过shuffle，需要占用内存空间存放小的数据文件。

  • 使用 | — 默认已经开启了Map Join
    hive.auto.convert.join=true | | —- |

  • Hive中判断哪张表是小表及限制

    • LEFT OUTER JOIN的左表必须是大表
    • RIGHT OUTER JOIN的右表必须是大表
    • INNER JOIN左表或右表均可以作为大表
    • FULL OUTER JOIN不能使用MAPJOIN
    • MAPJOIN支持小表为子查询
    • 使用MAPJOIN时需要引用小表或是子查询时，需要引用别名
    • 在MAPJOIN中，可以使用不等值连接或者使用OR连接多个条件
    • 在MAPJOIN中最多支持指定6张小表，否则报语法错误
  • Hive中小表的大小限制 | — 2.0版本之前的控制属性
    hive.mapjoin.smalltable.filesize=25M
    — 2.0版本开始由以下参数控制
    hive.auto.convert.join.noconditionaltask.size=512000000 | | —- |

3.3.2 Reduce Join

  • 应用场景

适合于大表Join大表

  • 原理

image.png
将两张表的数据在shuffle阶段利用shuffle的分组来将数据按照关联字段进行合并。
必须经过shuffle，利用Shuffle过程中的分组来实现关联。

  • 使用

Hive会自动判断是否满足Map Join，如果不满足Map Join，则自动执行Reduce Join。

3.3.3 Bucket Join

  • 应用场景

适合于大表Join大表

  • 原理

image.png
将两张表按照相同的规则将数据划分，根据对应的规则的数据进行join，减少了比较次数，提高了性能

  • 使用 | — 开启分桶join
    set hive.optimize.bucketmapjoin = true; | | —- |

分桶语法见前面文章
要求：分桶字段 = Join字段 ，桶的个数相等或者成倍数。

  • Sort Merge Bucket Join（SMB）：基于有序的数据Join

    语法：clustered by colName sorted by (colName)

— 开启分桶SMB join
set hive.optimize.bucketmapjoin = true;
set hive.auto.convert.sortmerge.join=true;
set hive.optimize.bucketmapjoin.sortedmerge = true;
set hive.auto.convert.sortmerge.join.noconditionaltask=true;

要求：分桶字段 = Join字段 = 排序字段 ，桶的个数相等或者成倍数。

3.4 优化器

3.4.1 关联优化

在使用Hive的过程中经常会遇到一些特殊的问题，例如当一个程序中如果有一些操作彼此之间有关联性，是可以放在一个MapReduce中实现的，但是Hive会不智能的选择，Hive会使用两个MapReduce来完成这两个操作。
例如：当我们执行以下SQL语句：select …… from table group by id order by id desc;
该SQL语句转换为MapReduce时，我们可以有两种方案来实现：

  1. 方案一

第一个MapReduce做group by，经过shuffle阶段对id做分组；
第二个MapReduce对第一个MapReduce的结果做order by，经过shuffle阶段对id进行排序。

  1. 方案二

因为都是对id处理，可以使用一个MapReduce的shuffle既可以做分组也可以排序。
在这种场景下，Hive会默认选择用第一种方案来实现，这样会导致性能相对较差，我们可以在Hive中开启关联优化，对有关联关系的操作进行解析时，可以尽量放在同一个MapReduce中实现。

  • 配置 | set hive.optimize.correlation=true; | | —- |

3.4.2 CBO优化器引擎

在使用MySQL或者Hive等工具时，我们经常会遇到一个问题，默认的优化器在底层解析一些聚合统计类的处理的时候，底层解析的方案有时候不是最佳的方案。
例如：当前有一张表【共1000条数据】，id构建了索引，id =100值有900条，我们现在的需求是查询所有id = 100的数据，所以SQL语句为：select from table where id = 100;
由于id这一列构建了索引，索引默认的优化器引擎RBO，会选择先从索引中查询id = 100的值所在的位置，再根据索引记录位置去读取对应的数据，但是这并不是最佳的执行方案。有id=100的值有900条，占了总数据的90%，这时候是没有必要检索索引以后再检索数据的，可以直接检索数据返回，这样的效率会更高，更节省资源，这种方式就是CBO优化器引擎会选择的方案。
使用Hive时，*Hive中也支持RBO与CBO这两种引擎，默认使用的是RBO优化器引擎。

  • RBO
  1. rule basic optimise：基于规则的优化器
  2. 根据设定好的规则来对程序进行优化
  • CBO
  1. cost basic optimise：基于代价的优化器
  2. 根据不同场景所需要付出的代价来合适选择优化的方案
  3. 对数据的分布的信息【数值出现的次数，条数，分布】来综合判断用哪种处理的方案是最佳方案

很明显CBO引擎更加智能，所以在使用Hive时，我们可以配置底层的优化器引擎为CBO引擎。

  • 配置 | 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; | | —- |

  • 要求

  1. 要想使用CBO引擎，必须构建数据的元数据【表行数、列的信息、分区的信息……】
  2. 提前获取这些信息，CBO才能基于代价选择合适的处理计划
  3. 所以CBO引擎一般搭配analyze分析优化器一起使用

    3.4.3 Analyze分析优化器

    用于提前运行一个MapReduce程序将表或者分区的信息构建一些元数据【表的信息、分区信息、列的信息】，搭配CBO引擎一起使用。
  • 语法 ```sql — 构建分区信息元数据 ANALYZE TABLE tablename [PARTITION(partcol1[=val1], partcol2[=val2], …)] COMPUTE STATISTICS [noscan];

— 构建列的元数据 ANALYZE TABLE tablename [PARTITION(partcol1[=val1], partcol2[=val2], …)] COMPUTE STATISTICS FOR COLUMNS ( columns name1, columns name2…) [noscan];

— 查看元数据 DESC FORMATTED [tablename] [columnname];

  1. 示例：
  2. ```sql
  3. -- 构建表中分区数据的元数据信息
  4. ANALYZE TABLE tb_login_part PARTITION(logindate) COMPUTE STATISTICS;
  6. -- 构建表中列的数据的元数据信息
  7. ANALYZE TABLE tb_login_part  COMPUTE STATISTICS FOR COLUMNS  userid;
  9. -- 查看构建的列的元数据
  10. desc formatted tb_login_part userid;

3.5 谓词下推（PPD）

谓词下推 Predicate Pushdown（PPD）的思想：简单点说就是在不影响最终结果的情况下，尽量将过滤条件提前执行（比如两表join，先where过滤减少数据量再join）。谓词下推后，过滤条件在map端执行，减少了map端的输出，降低了数据在集群上传输的量，降低了Reduce端的数据负载，节约了集群的资源，也提升了任务的性能。

— 默认自动开启谓词下推
hive.optimize.ppd=true;

3.6 数据倾斜

现象：某个任务，大多数Task都执行完毕，只有一个Task执行缓慢。
原因：数据分配不均衡。
思考：为什么会出现多个Task数据分配不均衡的情况呢？
从两方面考虑，第一：数据本身就是倾斜的，数据中某种数据出现的次数过多。第二：分区规则导致这些相同的数据都分配给了同一个Task，导致这个Task拿到了大量的数据，而其他Task拿到的数据比较少，所以运行起来相比较于其他Task就比较慢一些。
综上所述，产生数据倾斜的根本原因在于分区规则。

3.6.1 group By的数据倾斜

当程序中出现group by或者count（distinct）等分组聚合的场景时，如果数据本身是倾斜的根据MapReduce的Hash分区规则，肯定会出现数据倾斜的现象。根本原因是因为分区规则导致的，所以我们可以通过以下几种方案来解决group by导致的数据倾斜的问题。

  • 方案一：开启Map端聚合 | — 开启Map端聚合：Combiner
    hive.map.aggr=true; | | —- |

通过减少Reduce的输入量，避免每个Task数据差异过大导致数据倾斜。

  • 方案二：实现随机分区 | — SQL中避免数据倾斜，构建随机分区
    select * from table distribute by rand(); | | —- |

distribute by用于指定底层的MapReduce按照哪个字段作为Key实现分区、分组等。
默认由Hive自己选择，我们可以通过distribute by自己指定，通过rank函数随机值实现随机分区，避免数据倾斜。

  • 方案三：自动构建随机分区并自动聚合 | — 开启随机分区，走两个MapReduce
    hive.groupby.skewindata=true; | | —- |

开启该参数以后，当前程序会自动通过两个MapReduce来运行：第一个MapReduce自动进行随机分区，然后实现聚合；第二个MapReduce将聚合的结果再按照业务进行处理，得到结果。

3.6.2 Join的数据倾斜

实际业务需求中往往需要构建两张表的Join实现，如果两张表比较大，无法实现Map Join，只能走Reduce Join，那么当关联字段中某一种值过多的时候依旧会导致数据倾斜的问题，面对Join产生的数据倾斜，我们核心的思想是尽量避免Reduce Join的产生，优先使用Map Join来实现，但往往很多的Join场景不满足Map Join的需求，那么我们可以以下几种方案来解决Join产生的数据倾斜问题：

  • 方案一：提前过滤，将大数据变成小数据，实现Map Join

实现两张表的Join时，我们要尽量考虑是否可以使用Map Join来实现Join过程。有些场景下看起来是大表Join大表，但是我们可以通过转换将大表Join大表变成大表Join小表，来实现Map Join。
例如：现在有两张表订单表A与用户表B，需要实现查询今天所有订单的用户信息，关联字段为userid。
A表：今天的订单，1000万条，字段：orderId,userId,produceId,price等
B表：用户信息表，100万条，字段：userid,username,age,phone等
需求：两张表关联得到今天每个订单的用户信息。
实现1：直接关联，实现大表Join大表

select a.,b. from A join B on a.userid = b.userid;

由于两张表比较大，无法走Map Join，只能走Reduce Join，容易产生数据倾斜。
实现2：将下了订单的用户的数据过滤出来，再Join

  1. select a.*,d.*
  2. from (
  3.   -- 获取所有下订单的用户信息
  4.   select
  5.     b.*
  6.   from
  7.   -- 获取所有下订单的userid
  8.   ( select distinct a.userid from A a ) c join B b on c.userid = b.userid ) d 
  9. join
  10.   A a on d.userid = a.userid;
  1. 100万个用户中，在今天下订单的人数可能只有一小部分，大量数据是不会Join成功的
  2. 可以提前将订单表中的userid去重，获取所有下订单的用户id
  3. 再使用所有下订单的用户id关联用户表，得到所有下订单的用户的信息
  4. 最后再使用下订单的用户信息关联订单表
  5. 通过多次Map Join来代替Reduce Join，性能更好也可以避免数据倾斜
    • 方案二：使用Bucket Join

如果使用方案一来避免Reduce Join ，有些场景下依旧无法满足，例如过滤后的数据依旧是一张大表，那么最后的Join依旧是一个Reduce Join。这种场景下，我们可以将两张表的数据构建为桶表，实现Bucket Map Join，避免数据倾斜。

  • 方案三：使用Skew Join

Skew Join是Hive中一种专门为了避免数据倾斜而设计的特殊的Join过程，这种Join的原理是将Map Join和Reduce Join进行合并，如果某个值出现了数据倾斜，就会将产生数据倾斜的数据单独使用Map Join来实现，其他没有产生数据倾斜的数据由Reduce Join来实现，这样就避免了Reduce Join中产生数据倾斜的问题，最终将Map Join的结果和Reduce Join的结果进行Union合并。
配置：

  1. -- 开启运行过程中skewjoin
  2. set hive.optimize.skewjoin=true;
  3. -- 如果这个key的出现的次数超过这个范围
  4. set hive.skewjoin.key=100000;
  5. -- 在编译时判断是否会产生数据倾斜
  6. set hive.optimize.skewjoin.compiletime=true;
  7. -- 不合并，提升性能
  8. set hive.optimize.union.remove=true;
  9. -- 如果Hive的底层走的是MapReduce，必须开启这个属性，才能实现不合并
  10. set mapreduce.input.fileinputformat.input.dir.recursive=true;

示例图：
image.png