hive调优系列-1.调优须知

1、对于大数据计算引擎来说：数据量大不是问题，数据倾斜是个问题。

2、Hive的复杂HQL底层会转换成多个MapReduce Job并行或者串行执行，Job数比较多的作业运行效率相对比较低，比如即使只有几百行数据的表，如果多次关联多次汇总，产生十几个Job，耗时很长。原因是MapReduce作业初始化的时间是比较长的。

3、在进行Hive大数据分析时，常见的聚合操作比如sum，count，max，min，UDAF等，不怕数据倾斜问题，MapReduce在Map阶段的预聚合操作，使数据倾斜不成问题。

4、好的建表设计，模型设计事半功倍。

5、设置合理的MapReduce的Task并行度，能有效提升性能。（比如，10w+数据量级别的计算，用100个reduceTask，那是相当的浪费，1个足够，但是如果是亿级别的数据量，那么1个Task又显得捉襟见肘）

6、了解数据分布，自己动手解决数据倾斜问题是个不错的选择。这是通用的算法优化，但算法优化有时不能适应特定业务背景，开发人员了解业务，了解数据，可以通过业务逻辑精确有效的解决数据倾斜问题。

7、数据量较大的情况下，慎用count(distinct)，group by容易产生倾斜问题。

8、对小文件进行合并，是行之有效的提高调度效率的方法，假如所有的作业设置合理的文件数，对任务的整体调度效率也会产生积极的正向影响

9、优化时把握整体，单个作业最优不如整体最优。