本文共 2313 字，大约阅读时间需要 7 分钟。
本章只是从HQL层面介绍一下，日常开发HQL中需要注意的一些优化点，不涉及Hadoop层面的参数、配置等优化。
其中大部分是我之前发过的博客文章，这里整理了下。
在SELECT中，只拿需要的列，如果有，尽量使用分区过滤，少用SELECT *。
在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在Where后面，那么就会先全表关联，之后再过滤，比如：
SELECT a.id
FROM lxw1234_a a
left outer join t_lxw1234_partitioned b
ON (a.id = b.url);
WHERE b.day = ‘2015-05-10′
正确的写法是写在ON后面：
SELECT a.id
FROM lxw1234_a a
left outer join t_lxw1234_partitioned b
ON (a.id = b.url AND b.day = ‘2015-05-10′);
或者直接写成子查询：
SELECT a.id
FROM lxw1234_a a
left outer join (SELECT url FROM t_lxw1234_partitioned WHERE day = ‘2015-05-10′) b
ON (a.id = b.url)
数据量小的时候无所谓，数据量大的情况下，由于COUNT DISTINCT操作需要用一个Reduce Task来完成，这一个Reduce需要处理的数据量太大，就会导致整个Job很难完成，一般COUNT DISTINCT使用先GROUP BY再COUNT的方式替换：
SELECT day,
COUNT(DISTINCT id) AS uv
FROM lxw1234
GROUP BY day
可以转换成：
SELECT day,
COUNT(id) AS uv
FROM (SELECT day,id FROM lxw1234 GROUP BY day,id) a
GROUP BY day;
虽然会多用一个Job来完成，但在数据量大的情况下，这个绝对是值得的。
只要遇到表关联，就必须得调研一下，是否存在多对多的关联，起码得保证有一个表或者结果集的关联键不重复。
如果某一个关联键的记录数非常多，那么分配到该Reduce Task中的数据量将非常大，导致整个Job很难完成，甚至根本跑不出来。
还有就是避免笛卡尔积，同理，如果某一个键的数据量非常大，也是很难完成Job的。
关于MapJoin的原理和机制，请参考 。
MapJoin中小表的大小可以用参数来调节。
对同一张表的union all 要比multi insert快的多。
具体请见：
用过oracle rac的应该都知道parallel的用途。
并行执行的确可以大的加快任务的执行速率，但不会减少其占用的资源。
在hive中也有并行执行的选项。
具体请见：
如果在hive中运行的sql本身数据量很小，那么使用本地mr的效率要比提交到Hadoop集群中运行快很多。
具体请见：
参见 [一起学Hive]之六-Hive的动态分区
数据倾斜是Hive开发中对性能影响的一大杀手。
任务迚度长时间维持在99%（或100%）;
查看任务监控页面，发现只有少量（1个或几个）reduce子任务未完成。
本地读写数据量很大。
GROUP BY, COUNT DISTINCT, join
key分布不均匀
业务数据本身特点
这里列出一些常用的数据倾斜解决办法：
存在大量空值或NULL，或者某一个值的记录特别多，可以先把该值过滤掉，在最后单独处理:
SELECT CAST(COUNT(DISTINCT imei)+1 AS bigint)
FROM lxw1234 where pt = ‘2012-05-28′
AND imei <> ‘lxw1234′ ;
比如某一天的IMEI值为’lxw1234’的特别多，当我要统计总的IMEI数，可以先统计不为’lxw1234’的，之后再加1.
多重COUNT DISTINCT
通常使用UNION ALL + ROW_NUMBER() + SUM + GROUP BY来变通实现。
关联键存在大量空值或者某一特殊值，如”NULL”
空值单独处理，不参与关联；
空值或特殊值加随机数作为关联键；
不同数据类型的字段关联
转换为同一数据类型之后再做关联
参见
参见
—-
—-
—-
—-
—-
—-
—-
—-
—-
—-
—-
如果觉得本博客对您有帮助，请 。
转载请注明： »