Hive大表join大表怎样调优

在Hive中，优化器会根据统计信息决定是将大表放在前面（Join的左边）还是小表放在前面。通常，优化器会选择数据量较小的表作为驱动表（小表作为左边），由于这样可以淘汰内存消耗并提高效率。
但是，如果你有特定的需求，好比你知道大部分数据能快速过滤掉，渴望淘汰任务的实行时间，那么你可以逼迫指定某个表作为小表。在Hive中，可以使用/*+ MAPJOIN(table_name) */ 注释来逼迫将一个大表作为小表处理。
例如，如果你想要将big_table作为小表：

1. SELECT /*+ MAPJOIN(big_table) */
2.   a.column1, a.column2, b.column1, b.column2
3. FROM
4.   small_table a
5. JOIN
6.   big_table b
7. ON
8.   a.common_column = b.common_column;

复制代码

一、调优思路

1、SQL优化

1.1 大小表join

1、mapjoin,小表使用mapjoin,大概逼迫hint
2、将大表放后头，原因：Hive假定查询中末了的一个表是大表。它会将其它表缓存起来，然后扫描末了那个表。因此通常需要将小表放前面，大概标记哪张表是大表：/*streamtable(table_name) */
3、过滤无效值：空值、不使用的字段等。
4、不能过滤的空值，将空值转化为随机数避免数据倾斜。
1.2 大大表join

1. 1）创建第二张大表
2. create table bigtable2(
3.     id bigint,
4.     t bigint,
5.     uid string,
6.     keyword string,
7.     url_rank int,
8.     click_num int,
9.     click_url string)
10. row format delimited fields terminated by '\t';
11. load data local inpath '/opt/module/data/bigtable' into table bigtable2;
13. 2）测试大表直接JOIN
14. insert overwrite table jointable
15. select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
16. from bigtable a
17. join bigtable2 b
18. on a.id = b.id;
19. 测试结果：Time taken: 72.289 seconds
20. insert overwrite table jointable
21. select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
22. from bigtable a
23. join bigtable2 b
24. on a.id = b.id;
26. 3）创建分桶表1
27. create table bigtable_buck1(
28.     id bigint,
29.     t bigint,
30.     uid string,
31.     keyword string,
32.     url_rank int,
33.     click_num int,
34.     click_url string)
35. clustered by(id)
36. sorted by(id)
37. into 6 buckets
38. row format delimited fields terminated by '\t';
40. load data local inpath '/opt/module/data/bigtable' into table bigtable_buck1;
42. 4）创建分桶表2，分桶数和第一张表的分桶数为倍数关系
43. create table bigtable_buck2(
44.     id bigint,
45.     t bigint,
46.     uid string,
47.     keyword string,
48.     url_rank int,
49.     click_num int,
50.     click_url string)
51. clustered by(id)
52. sorted by(id)
53. into 6 buckets
54. row format delimited fields terminated by '\t';
56. load data local inpath '/opt/module/data/bigtable' into table bigtable_buck2;
58. 5）设置参数
59. set hive.optimize.bucketmapjoin = true;
60. set hive.optimize.bucketmapjoin.sortedmerge = true;
61. set hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;
63. 6）测试 Time taken: 34.685 seconds
64. insert overwrite table jointable
65. select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
66. from bigtable_buck1 s
67. join bigtable_buck2 b
68. on b.id = s.id;

复制代码

1、使用相同的连接键

• 当对3个大概更多个表进行join连接时，如果每个on子句都使用相同的连接键的话，那么只会产生一个MapReduce job。
  

2、过滤无效、未使用的数据：淘汰每个阶段的数据量，对于分区表要加分区，同时只选择需要使用到的字段。

1. 加随机数打散
2. 1）空值0值 或 关联不上的，用随机数
3. from a join b
4. on if(a.key=’’, rand(id)%10, a.key)=b.key
5. –rand() 0-1之间的小数
7. （2）都是有用的key，则加随机数后缀
8. group by concat(key, cast(round(rand()*10) as int))
9. 缺点是分成10份是提前写好的，数据变更大时，还是会跑得慢。

复制代码

3、逻辑拆分，使用中间表计算

• 尽量原子化利用：多个表关联时,避免包含复杂逻辑大sql(由于无法控制中间job)，最好分拆成小段，可以使用中间表来完成复杂的逻辑
  
• 写入HDFS之后：多次INSERT OVERWRITE TABLE写法参考：spark调优-小文件问题
  

4、列裁剪，避免使用select * 如果查询的是分区表，一定要记得带上分区条件
5、where条件写在子查询中：先过滤再关联（最好使用这种笨办法，虽然hive3.0自带谓词下推）
6、关联条件写在on中，而不是where中

• 非主表谓词下推情况下，可以理解为where是全部实行完在reduce中进行过滤，on是在关联过程中filter
  

7、数据量小时，用in代替join
8、使用semi join替代in/exists
inner join和left semi join的联系和区别
2、insert into更换union all

如果union all的部分个数大于2，大概每个union部分数据量大，应该拆成多个insert into 语句,效率有提升。
？insert into到不同分区？
3、排序order by换位sort by

order by：对输入做全局排序，因此只有一个reducer（多个reducer无法包管全局有序），只有一个reducer，会导致当输入规模较大时，需要较长的计算时间。
sort by：局部排序，包管每个reducer的输出文件是有序的。
hive order by,sort by, distribute by, cluster by作用以及用法
4、并行实行

Hive会将一个查询转化成一个大概多个阶段。这样的阶段可以是MapReduce阶段、抽样阶段、归并阶段、limit阶段。大概Hive实行过程中可能需要的其他阶段。
默认情况下，Hive一次只会实行一个阶段。不外，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相互依赖的，也就是说有些阶段是可以并行实行的，这样可能使得整个job的实行时间缩短。如果有更多的阶段可以并行实行，那么job可能就越快完成。
通过设置参数hive.exec.parallel值为true，就可以开启并发实行。在共享集群中，需要注意下，如果job中并行阶段增多，那么集群使用率就会增长。

1. set hive.exec.parallel=true; //打开任务并行执行
2. set hive.exec.parallel.thread.number=16; //同一个sql允许最大并行度，默认为8。
3. set hive.exec.parallel=true

复制代码

5、数据倾斜优化

spark-数据倾斜、
hadoop-hive-数据倾斜问题
6、小文件优化

spark调优-小文件问题
参考链接
HiveSQL大表join大表数据倾斜
二、实战

添加链接描述
2.1 场景

【配景】
A表为一个汇总表，汇总的是卖家买家近来N天交易汇总信息，即对于每个卖家近来N天，其每个买家共成交了多少单，总金额是多少，假设N取90天，汇总值仅取成交单数。
A表的字段有：buyer_id、seller_id、pay_cnt_90day。
B表为卖家基本信息表，其字段有seller_id、sale_level，其中sale_levels是卖家的一个分层评级信息，好比吧卖家分为6个级别：S0、S1、S2、S3、S4和S5。
要得到的效果是每个买家在各个级别的卖家的成交比例信息，好比：某买家：S0:10%；S1:20%；S2:20%；S3:10%；S4:20%；S5:10%。
【初始思路】
第一反应是直接join两表并统计：

1.         select
2. 　　　　　　　　 m.buyer_id,
3. 　　　　　　　　sum(pay_cnt_90day)  as pay_cnt_90day,
4. 　　　　　　　　sum(case when m.sale_level = 0  then pay_cnt_90day  end)  as pay_cnt_90day_s0,
5. 　　　　　　　　sum(case when m.sale_level = 1  then pay_cnt_90day  end)  as pay_cnt_90day_s1,
6. 　　　　　　　　sum(case when m.sale_level = 2  then pay_cnt_90day  end)  as pay_cnt_90day_s2,
7. 　　　　　　　　sum(case when m.sale_level = 3  then pay_cnt_90day  end)  as pay_cnt_90day_s3,
8. 　　　　　　　　sum(case when m.sale_level = 4  then pay_cnt_90day  end)  as pay_cnt_90day_s4,
9. 　　　　　　　　sum(case when m.sale_level = 5  then pay_cnt_90day  end)  as pay_cnt_90day_s5
10. 　　　　　　from (
11. 　　　　　　　　select  a.buer_id,  a.seller_id,  b.sale_level, a.pay_cnt_90day
12. 　　　　　　　　from (  select buyer_id,  seller_id,  pay_cnt_90day   from table_A)  a
13. 　　　　　　　　join
14. 　　　　　　　　       (select seller_id,  sale_level  from table_B)  b
15. 　　　　　　　　on  a.seller_id  = b.seller_id
16. 　　　　　　　　)  m
17. 　　　　　　group by m.buyer_id

复制代码

但是此SQL会引起数据倾斜，原因在于卖家的二八准则，某些卖家90天内会有几百万甚至上万万的买家，但是大部分的卖家90天内买家的数目并不多，join table_A和table_B的时候，ODPS会按照seller_id进行分发，table_A的大卖家引起了数据倾斜。但是数据本身无法用mapjoin table_B解决，由于卖家凌驾万万条，文件大小有几个GB，凌驾了1GB的限定。
2.2 限定所需的字段，间接mapjoin

思路：只看90天内有交易的卖家，不join全部的卖家表
范围：此方案在一些情况可以起作用，但是很多时候还是无法解决上述问题，由于大部分卖家只管90天内买家不多，但还是有一些的，过滤后的B表仍然很多。

1. 　select
2. 　　　　　　　　 m.buyer_id,
3. 　　　　　　　　sum(pay_cnt_90day)  as pay_cnt_90day,
4. 　　　　　　　　sum(case when m.sale_level = 0  then pay_cnt_90day  end)  as pay_cnt_90day_s0,
5. 　　　　　　　　sum(case when m.sale_level = 1  then pay_cnt_90day  end)  as pay_cnt_90day_s1,
6. 　　　　　　　　sum(case when m.sale_level = 2  then pay_cnt_90day  end)  as pay_cnt_90day_s2,
7. 　　　　　　　　sum(case when m.sale_level = 3  then pay_cnt_90day  end)  as pay_cnt_90day_s3,
8. 　　　　　　　　sum(case when m.sale_level = 4  then pay_cnt_90day  end)  as pay_cnt_90day_s4,
9. 　　　　　　　　sum(case when m.sale_level = 5  then pay_cnt_90day  end)  as pay_cnt_90day_s5
10. 　　　　　　from (
11. 　　　　　　　　select  /*+mapjoin(b)*/
12. 　　　　　　　　　　a.buer_id,  a.seller_id,  b.sale_level, a.pay_cnt_90day
13. 　　　　　　　　from (  select buyer_id,  seller_id,  pay_cnt_90day   from table_A)  a
14. 　　　　　　　　join  (
15.                 　　　　　　　　　　　select seller_id,  sale_level  from table_B b0
16.                 　　　　　　　　　　　join
17.                 　　　　　　　　　　　(select seller_id from table_A group by seller_id) a0
18.                 　　　　　　　　　　   on b0.seller_id = a0.selller_id
19. 　　　　　　　　　　)  b
20. 　　　　　　　　on  a.seller_id  = b.seller_id
21. 　　　　　　　　)  m
22. 　　　　　　group by m.buyer_id　　　

复制代码

2.2 解决异常值倾斜，如NULL加随机数打散

**思路：**焦点是将这些引起倾斜的值随机分发到Reduce，join时对这些特殊值concat随机数，从而达到随机分发的目的。
**适用于：**倾斜的值是明确的而且数目很少，好比null值引起的倾斜。
**范围：**无法解决本问题场景的倾斜问题，由于倾斜的卖家大量存在而且动态变化。
此方案的焦点逻辑如下：

1.                 select a.user_id, a.order_id, b.user_id
2. 　　　　　　from table_a a
3. 　　　　　　join table_b b
4. 　　　　　　on (case when a.user_is is null then concat('hive', rand(id)) else a.user_id end) = b.user_id

复制代码

Hive 已对此进行了优化，只需要设置参数skewinfo和skewjoin参数，不修改SQL代码，例如，由于table_B的值“0” 和“1”引起了倾斜，值需要做如下设置：

1. set hive.optimize.skewinfo=table_B:(selleer_id) [ ( "0") ("1") ) ]
2. set hive.optimize.skewjoin = true;

复制代码

2.3 扩容解决数据倾斜

推荐”2.3.3 推荐：分而治之：倾斜和非倾斜再union all“，可直接看。若不可，推荐方案2.3.2倾斜key扩容。
2.3.1 客户表扩大N倍

思路：按照seller_id分发会倾斜，那么再人工增长一列进行分发，这样之前倾斜的值的倾斜程度会淘汰到原来的1/10，可以通过设置numbers表改放大倍数来降低倾斜程度。
代码实现：建立一个numbers表，其值只有一列int 行，好比从1到10（具体值可根据倾斜程度确定），然后放大B表10倍，再取模join。
范围性：数据量翻倍，B表也会膨胀N倍。

1. SELECT m.buyer_id,
2.          sum(pay_cnt_90day) AS pay_cnt_90day,
3.          sum(case  WHEN m.sale_level = 0 THEN pay_cnt_90day end) AS pay_cnt_90day_s0,
4.          sum(case WHEN m.sale_level = 1 THEN pay_cnt_90day end) AS pay_cnt_90day_s1,
5.          sum(case WHEN m.sale_level = 2 THEN  pay_cnt_90day end) AS pay_cnt_90day_s2,
6. 　　　　　sum(case when m.sale_level = 3  then pay_cnt_90day  end)  as pay_cnt_90day_s3,
7. 　　　　　sum(case when m.sale_level = 4  then pay_cnt_90day  end)  as pay_cnt_90day_s4,
8. 　　　　　sum(case when m.sale_level = 5  then pay_cnt_90day  end)  as pay_cnt_90day_s5
9. FROM
10.     (SELECT a.buer_id,
11.          a.seller_id,
12.          b.sale_level,
13.          a.pay_cnt_90day
14.     FROM
15.         (SELECT buyer_id,
16.          seller_id,
17.          pay_cnt_90day
18.         FROM table_A) a
19.         JOIN -- 将B表扩容N倍
20.             (SELECT /*+mapjoin(members)*/ seller_id,
21.          sale_level ,
22.         member
23.             FROM table_B
24.             JOIN members -- 扩容N倍的表
25.              ) b
26.           ON a.seller_id = b.seller_id
27.               AND mod(a.pay_cnt_90day,10)+1 = b.number ) m
28.         GROUP BY  m.buyer_id

复制代码

2.3.2 部分倾斜key扩容，大卖家扩容

思路：把大卖家放大倍数即可：需要首先知道大卖家的名单，即先建立一个临时表动态存放每天最新的大卖家（好比dim_big_seller）,同时此表的大卖家要膨胀预先设定的倍数（1000倍）。
代码实现：在A表和B表分别新建一个join列，其逻辑为：如果是大卖家，那么concat一个随机分配正整数（0到预定义的倍数之间，本例为0~1000）；如果不是，保持稳定。
范围性：　相比全部数据扩容，仅倾斜指标扩容的运行效率有提升，但代码复杂性高，必须首先建立大数据表。

1. SELECT m.buyer_id,
2.          sum(pay_cnt_90day) AS pay_cnt_90day,
3.          sum(case  WHEN m.sale_level = 0 THEN pay_cnt_90day end) AS pay_cnt_90day_s0,
4.          sum(case WHEN m.sale_level = 1 THEN pay_cnt_90day end) AS pay_cnt_90day_s1,
5.          sum(case WHEN m.sale_level = 2 THEN  pay_cnt_90day end) AS pay_cnt_90day_s2,
6. 　　　　 sum(case when m.sale_level = 3  then pay_cnt_90day  end)  as pay_cnt_90day_s3,
7. 　　　　 sum(case when m.sale_level = 4  then pay_cnt_90day  end)  as pay_cnt_90day_s4,
8. 　　　 　sum(case when m.sale_level = 5  then pay_cnt_90day  end)  as pay_cnt_90day_s5
9.     pay_cnt_90day end) AS pay_cnt_90day_s5
10. FROM
11.     (SELECT a.buer_id,
12.          a.seller_id,
13.          b.sale_level,
14.          a.pay_cnt_90day
15.     FROM
16.         (SELECT /*+mapjoin(big)*/ buyer_id,
17.          seller_id,
18.          pay_cnt_90day,
19.          if(big.seller_id is NOT null,
20.          concat( table_A.seller_id,
21.          'rnd', cast( rand() * 1000 AS bigint ), table_A.seller_id) AS seller_id_joinkey
22.         FROM table_A left outer
23.         JOIN --big表seller_id有重复，请注意一定要group by 后再join,保证table_A的行数保持不变
24.         （  SELECT seller_id
25.              FROM dim_big_seller
26.              GROUP BY  seller_id
27.          ）big
28.             ON table_A.seller_id = big.seller_id ) a
29.         JOIN
30.             (SELECT /*+mapjoin(big)*/ seller_id,
31.                      sale_level ,
32.                   --big表的seller_id_joinkey生成逻辑和上面的生成逻辑一样 coalesce(seller_id_joinkey,
33.                      table_B.seller_id) AS seller_id_joinkey
34.             FROM table_B
35.             left out JOIN --table_B表join大卖家表后大卖家行数扩大1000倍，其它卖家行数保持不变
36.                 (SELECT seller_id,
37.                          seller_id_joinkey
38.                 FROM dim_big_seller
39.                 ) big
40.                     ON table_B.seller_id= big.seller_id ) b
41.                     ON a.seller_id_joinkey= b.seller_id_joinkey
42.                         AND mod(a.pay_cnt_90day,10)+1 = b.number ) m
43.                 GROUP BY  m.buyer_id

复制代码

2.3.3 推荐：分而治之：倾斜和非倾斜再union all

思路：对倾斜的键值和不倾斜的键值分开处理，不倾斜的正常join即可，倾斜的把他们找出来做mapjoin,末了union all其效果即可。
代码实现：
范围性：较贫苦，代码复杂而且需要一个临时表存放倾斜的键值。

1. --1、构建临时表，由于数据倾斜，先找出90天买家超过10000的卖家
2. insert overwrite table temp_table_B
3. SELECT m.seller_id,
4.          n.sale_level
5. FROM
6.     (SELECT seller_id
7.     FROM
8.         (SELECT seller_id,
9.         count(buyer_id) AS byr_cnt
10.         FROM table_A
11.         GROUP BY  seller_id ) a
12.         WHERE a.byr_cnt >10000 ) m
13.     LEFT JOIN
14.     (SELECT seller_id,
15.          sale_level
16.     FROM table_B
17.     ) n
18.     ON m.seller_id = n.seller_id;
19.    
20.    
21. --2、分而治之，不倾斜union all 倾斜。
22. --对于90天买家超过10000的卖家直接mapjoin,对其它卖家直接正常join即可
23. 。SELECT m.buyer_id,
24.          sum(pay_cnt_90day) AS pay_cnt_90day,
25.          sum(case  WHEN m.sale_level = 0 THEN pay_cnt_90day end) AS pay_cnt_90day_s0,
26.          sum(case WHEN m.sale_level = 1 THEN pay_cnt_90day end) AS pay_cnt_90day_s1,
27.          sum(case WHEN m.sale_level = 2 THEN  pay_cnt_90day end) AS pay_cnt_90day_s2,
28. 　　　　 sum(case when m.sale_level = 3  then pay_cnt_90day  end)  as pay_cnt_90day_s3,
29. 　　　　 sum(case when m.sale_level = 4  then pay_cnt_90day  end)  as pay_cnt_90day_s4,
30. 　　　 　sum(case when m.sale_level = 5  then pay_cnt_90day  end)  as pay_cnt_90day_s5
31. FROM
32.     (SELECT a.buer_id,
33.          a.seller_id,
34.          b.sale_level,
35.          a.pay_cnt_90day
36.     FROM
37.         (SELECT buyer_id,
38.          seller_id,
39.          pay_cnt_90day
40.         FROM table_A
41.         ) a
42.         JOIN
43.             (SELECT seller_id,
44.                     a.sale_level
45.             FROM table_A a
46.             LEFT JOIN temp_table_B b
47.                 ON a.seller_id = b.seller_id
48.             WHERE b.seller_id is  NULL -- 限制为不倾斜的卖家
49.             ) b
50.                 ON a.seller_id = b.seller_id
51.        UNION all
52.        SELECT /*+mapjoin(b)*/ a.buer_id,
53.          a.seller_id,
54.          b.sale_level,
55.          a.pay_cnt_90day
56.             FROM
57.                 (SELECT buyer_id,
58.                          seller_id,
59.                          pay_cnt_90day
60.                 FROM table_A
61.                 ) a
62.                 JOIN
63.                     (SELECT seller_id,
64.                             sale_level
65.                     FROM table_B -- 只看倾斜卖家
66.                     ) b
67.                ON a.seller_id = b.seller_id
68.                ) m
69.                 GROUP BY  m.buyer_id ) m
70.             GROUP BY  m.buyer_id

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。