hive查询和优化

1：Local Model(本地模式):

select user,item from table limit 10;(生成mapreduce)

select * from table limit 10;(不会生存mapreduce)

2：列剪裁 ：hive在读数据的时候，可以只读取查询中所需要用到的列

3：分区剪裁：在查询的过程中减少不必要的分区

使用explain dependency语法，获取table和partition

4：hive的优化机制减少job数：如果join的key相同，不管有多少个表，都会合并为一个mapreduce

(1) select a.val,b.val,c.val from a join b on (a.key = b.key1) join c on (c.key = b.key1) 1个mapreduce

(2) select a.val,b.val,c.val from a join b on (a.key = b.key1) join c in (c.key = b.key2) 2个

5：job输入输出优化

(1) insert overwrite table tmp1 select .. from a where 条件1

(2) insert overwrite table tem1 select .. from a where 条件2

上述合为1个

from a 

          insert overwrite table tmp1 select ... where 条件1

          insert overwrite table tmp2 select ... where 条件2

6：避免笛卡儿积

select ... from woa_all_device_info_his A

left outer join(

              select * from woa_all_info_his B

              where  条件

) C

on A.app_id = C.app_id and A.imei = C.imei

7: 在join前过滤掉不需要的数据：包括分区过滤和条件过滤

8：小表放前大表放后：因为在Reduce阶段，位于join操作符左边的表的内容会被加载进内存，载入条目较少的表，可以有效减少内存溢出。当小表与大表join时，采用mapjoin，即在map端完成。可以避免数据倾斜。

select /*+mapjoin(b)*/ a.key,a.value from a join b on a.key = b.key

9: left semi join : 限制条件只能在on子句中设置过滤条件，在where子句，select子句或其他地方过滤不行

select a.key,b.key from a left semi join b on (a.key = b.key)

left semi join 与 join 的区别：b表有重复值的情况下left semi join 产生一条，join会产生多条

10：union all优化：局限于非嵌套查询

(1)

select * from (

             select c1,c2,c3 from t1 group by c1,c2,c3

             union all

             select c1,c2,c3 from t2 group by c1,c2,c3

) t3;

(2)

select * from (

             select * from t1

             union all

             select * from t2

) t3 group by c1,c2,c3

11: Distinct 与 Group by（去重优化）：使用group by替代distinct

12：排序优化

1、order by实现全局排序，一个reduce实现，由于不能并发执行，所以效率低

2、sort by实现部分有序，单个reduce输出的结果是有序，效率高，和distribute by一起使用

3、cluster by col1 = distribute col1 sort by col1

13:  数据倾斜：任务进度只有reduce子任务未完成，因为处理的数据量和其他的reduce差异过大

http://www.cnblogs.com/ggjucheng/archive/2013/01/03/2842860.html