参考资料：
Hive SQL 参数与性能调优
小文件优化小文件过多的影响：
（1）小文件过多会导致namenode元数据特别大，占用过多内存，严重影响HDFS性能
（2）对Hive来说，在进行查询时，每个小文件都会当成一个块，启动一个Map任务来完成。如果文件过多的话，Map任务启动和初始化的时间可能远远大于逻辑处理的时间，就会造成很大的资源浪费。同时可执行的Map数量是受限的。
解决方法：
1. 使用 hive 自带的 concatenate 命令，自动合并小文件
# 对于非分区表 alter table A concatenate; # 对于分区表 alter table B partition(day=20201224) concatenate;
注意：
1、concatenate 命令只支持 RCFILE 和 ORC 文件类型。
2、使用concatenate命令合并小文件时不能指定合并后的文件数量，但可以多次执行该命令。
3、当多次使用concatenate后文件数量不在变化，这个跟参数 mapreduce.input.fileinputformat.split.minsize=256mb 的设置有关，可设定每个文件的最小size。
2. 调整参数减少Map数量
设置map输入合并小文件的相关参数：
# 执行Map前进行小文件合并 # CombineHiveInputFormat底层是 Hadoop的 CombineFileInputFormat 方法 # 此方法是在mapper中将多个文件合成一个split作为输入 set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat; -- 默认 # 每个Map最大输入大小(这个值决定了合并后文件的数量) set mapred.max.split.size=256000000; -- 256M # 一个节点上split的至少的大小(这个值决定了多个DataNode上的文件是否需要合并) set mapred.min.split.size.per.node=100000000; -- 100M # 一个交换机下split的至少的大小(这个值决定了多个交换机上的文件是否需要合并) set mapred.min.split.size.per.rack=100000000; -- 100M
设置map输出和reduce输出进行合并的相关参数:
#设置map端输出进行合并，默认为true set hive.merge.mapfiles = true; #设置reduce端输出进行合并，默认为false set hive.merge.mapredfiles = true; #设置合并文件的大小 set hive.merge.size.per.task = 256*1000*1000; -- 256M #当输出文件的平均大小小于该值时，启动一个独立的MapReduce任务进行文件merge set hive.merge.smallfiles.avgsize=16000000; -- 16M
启用压缩:
# hive的查询结果输出是否进行压缩 set hive.exec.compress.output=true; # MapReduce Job的结果输出是否使用压缩 set mapreduce.output.fileoutputformat.compress=true;
3. 减少Reduce数量
#reduce 的个数决定了输出的文件的个数，所以可以调整reduce的个数控制hive表的文件数量， #hive中的分区函数 distribute by 正好是控制MR中partition分区的， #然后通过设置reduce的数量，结合分区函数让数据均衡的进入每个reduce即可。 #设置reduce的数量有两种方式，第一种是直接设置reduce个数 set mapreduce.job.reduces=10; #第二种是设置每个reduce的大小，Hive会根据数据总大小猜测确定一个reduce个数 set hive.exec.reducers.bytes.per.reducer=5120000000; -- 默认是1G，设置为5G #执行以下语句，将数据均衡的分配到reduce中 set mapreduce.job.reduces=10; insert overwrite table A partition(dt) select * from B distribute by rand(); 解释：如设置reduce数量为10，则使用 rand()， 随机生成一个数 x % 10 ， 这样数据就会随机进入 reduce 中，防止出现有的文件过大或过小
4. 使用hadoop的archive将小文件归档
Hadoop Archive简称HAR，是一个高效地将小文件放入HDFS块中的文件存档工具，它能够将多个小文件打包成一个HAR文件，这样在减少namenode内存使用的同时，仍然允许对文件进行透明的访问
#用来控制归档是否可用 set hive.archive.enabled=true; #通知Hive在创建归档时是否可以设置父目录 set hive.archive.har.parentdir.settable=true; #控制需要归档文件的大小 set har.partfile.size=1099511627776; #使用以下命令进行归档 ALTER TABLE A ARCHIVE PARTITION(dt='2022-02-24', hr='12'); #对已归档的分区恢复为原文件 ALTER TABLE A UNARCHIVE PARTITION(dt='2022-02-24', hr='12');
并行执行优化注意:
归档的分区可以查看不能 insert overwrite，必须先 unarchive
Hive会将一个查询转化成一个或者多个阶段。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。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。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。
# 打开任务并行执行 set hive.exec.parallel=true; # 同一个sql允许最大并行度，默认为8。 set hive.exec.parallel.thread.number=16;
当然得是在系统资源比较空闲的时候才有优势，否则没资源，并行也起不来。
动态分区调整动态分区属性：设置为true表示开启动态分区功能（默认为false）
hive.exec.dynamic.partition=true;
动态分区属性：设置为nonstrict,表示允许所有分区都是动态的（默认为strict） 设置为strict，表示必须保证至少有一个分区是静态的
set hive.exec.dynamic.partition.mode=strict;
动态分区属性：每个mapper或reducer可以创建的最大动态分区个数
set hive.exec.max.dynamic.partitions.pernode=100;
动态分区属性：一个动态分区创建语句可以创建的最大动态分区个数
set hive.exec.max.dynamic.partitions=1000;
动态分区属性：全局可以创建的最大文件个数
set hive.exec.max.created.files=100000;推测执行优化
在分布式集群环境下，因为程序bug（包括Hadoop本身的bug），负载不均衡或者资源分布不均等原因，会造成同一个作业的多个任务之间运行速度不一致，有些任务的运行速度可能明显慢于其他任务（比如一个作业的某个任务进度只有50%，而其他所有任务已经运行完毕），则这些任务会拖慢作业的整体执行进度。为了避免这种情况发生，Hadoop采用了推测执行（Speculative Execution）机制，它根据一定的法则推测出“拖后腿”的任务，并为这样的任务启动一个备份任务，让该任务与原始任务同时处理同一份数据，并最终选用最先成功运行完成任务的计算结果作为最终结果。
设置开启推测执行参数：Hadoop的mapred-site.xml文件中进行配置：
mapreduce.map.speculative true If true, then multiple instances of some map tasks may be executed in parallel. mapreduce.reduce.speculative true If true, then multiple instances of some reduce tasks may be executed in parallel.
Hive本身也提供了配置项来控制reduce-side的推测执行:
set hive.mapred.reduce.tasks.speculative.execution=true
关于调优这些推测执行变量，还很难给一个具体的建议。如果用户因为输入数据量很大而需要执行长时间的map或者reduce task的话，那么启动推测执行造成的浪费是非常巨大的。
limit 数据抽样一般情况下，limit语句还是需要执行整个查询语句，然后再返回部分结果。
有一个配置属性可以开启，避免这种情况：对数据源进行抽样。
# 开启对数据源进行采样的功能 hive.limit.optimize.enable=true # 设置最小的采样容量 hive.limit.row.max.size # 设置最大的采样样本数 hive.limit.optimize.limit.file
缺点：有可能部分数据永远不会被处理到
本地模式有时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的时间消耗可能会比实际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，执行时间会明显被缩短。
set hive.exec.mode.local.auto=true;
当一个job满足如下条件才能真正使用本地模式：
job的输入数据大小必须小于参数：hive.exec.mode.local.auto.inputbytes.max (默认128MB)
job的map数必须小于参数：hive.exec.mode.local.auto.tasks.max (默认4)
job的reduce数必须为0或者1
可用参数 hive.mapred.local.mem (默认0)控制child jvm使用的最大内存数。
Strict模式开启严格模式对分区表进行查询，在where子句中没有加分区过滤的话，将禁止提交任务(默认：nonstrict)
#开启严格模式 set hive.mapred.mode=strict;
注：使用严格模式下，禁止了某些查询，必须符合要求如下：
1. 对分区表的查询必须使用到分区相关的字段
2. order by必须带limit
3. 禁止笛卡尔积查询（join必须有on连接条件）
JVM优化JVM重用是Hadoop调优参数的内容，其对Hive的性能具有非常大的影响，特别是对于很难避免小文件的场景或task特别多的场景，这类场景大多数执行时间都很短。
Hadoop的默认配置通常是使用派生JVM来执行map和Reduce任务的。这时JVM的启动过程可能会造成相当大的开销，尤其是执行的job包含有成百上千task任务的情况。JVM重用可以使得JVM实例在同一个job中重新使用N次。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，具体多少需要根据具体业务场景测试得出。
mapreduce.job.jvm.numtasks 10 How many tasks to run per jvm. If set to -1, there is no limit.
也可以在Hive中设置：
这个功能的缺点是：开启JVM重用将一直占用使用到的task插槽，以便进行重用，直到任务完成后才能释放。如果某个“不平衡的”job中有某几个reduce task执行的时间要比其他Reduce task消耗的时间多的多的话，那么保留的插槽就会一直空闲着却无法被其他的job使用，直到所有的task都结束了才会释放。
CLI开启CLI提示符前打印出当前所在的数据库名
set hive.cli.print.current.db=true;
让CLI打印出字段名称
set hive.cli.print.header=true;其他
设置任务名称，方便查找监控
set mapred.job.name=P_DWA_D_IA_S_USER_PROD;
决定是否可以在 Map 端进行聚合操作
set hive.map.aggr=true;
对于简单的不需要聚合的类似SELECt col from table LIMIT n语句，不需要起MapReduce job，直接通过Fetch task获取数据
set hive.fetch.task.conversion=more;
