分区表的设计和优化

• 普通表结构问题

  
  
• 使用分区表可以优化上述查询问题

分桶表的设计和优化

• Join问题

  
  

• 分桶表设计

  
  

• Join可以在同一个桶之间Join，减少不必要的判断
  注意Join的字段和分桶的字段要一致

  
  

索引的优化和设计

分桶和索引常常是优于分区的，分区的粒度比较大
分桶的优化比较严格，分桶和Join的字段要一致
索引在3.0之后不再支持
分桶是哈希，索引是子列判断

• 原理

  
  
• 缺点
  1、MR程序创建索引，效率较低
  2、表数据更新的时候，索引表不会更新，如果查询的时候需要更新表，运行MR，效率更低了。

文件存储格式

Hive数据存储的本质还是HDFS，可以有多种存储格式，TextFile、SequenceFile、ORC、Parquet等。

• TextFile

  
  

• SequenceFile

  
  

• Parquet

  
  
  
  

• ORC

  
  

压缩算法选择

image.png

存储优化——小文件场景

存储优化——ORC索引、矢量化查询

explain可以查看执行计划

MR属性优化

• 本地模式
  在本地执行MR在数据量小的时候可能会更快，可以开启自动模式，它会根据一系列的条件选择本地模式

• 并行执行
  Union和Join等语句可以划分为多个没有依赖关系的Stage，并行执行可以提高效率。

优化器——关联优化

CBO优化和Analyze分析器

分析器分析数据的分布等供CBO优化

谓词下推

第一个例子就是第二个的谓词下推

左/右连接或者外连接即使on条件不成立也会保留，因此谓词下推对于保留的表不会起作用，而如果在where里面是一定会起作用的

数据倾斜

某一个数据出现的频率过高

skew join将大的分开，单独使用多个任务，那么每个任务跑的join就小，即使每个很大，算下来也不大。