在 Apache Hive 中輕松生存的12個技巧
Hive 可以讓你在 Hadoop 上使用 SQL，但是在分布式系統上優化 SQL 則有所不同。這里是讓你可以輕松駕馭 Hive 的12個技巧。
Hive 并不是關系型數據庫(RDBMS)，但是它大多數時候都表現得像是一個關系型數據庫一樣，它有表、可以運行 SQL、也支持 JDBC 和 ODBC。
這種表現既有好的一面，也有不好的一面：Hive 并不像關系型數據庫那樣執行 SQL 查詢。我在 Hive 上花費了大量時間，光是我自己在工作中就為了優化它花費了超過80個小時。不說你也知道，我就像呆在蜂巢(Hive)旁邊一樣腦袋嗡嗡作響。所以，為了讓你免受這種痛苦，我決定將它們寫出來，以便讓你在你的下一個 Hive 項目中逃離這種折磨。
1、不要使用 MapReduce
不管你是不是覺得 Tez、Spark 或 Impala 能行，但是不要指望 MapReduce。它本身就很慢，比 Hive 還慢。如果你用的是 Hortonwork 的版本，你可以在腳本前面寫上 set hive.execution.engine=tez ;用 Cloudera 的話，使用 Impala。如果 Impala 不適用的話，我 希望到時候 可以使用 hive.execution.engine=spark 。
2、不要在 SQL 中做字符串匹配
絕不要，特別是在 Hive 中!如果你堅持要在 WHERE 語句中使用 LIKE 匹配，就會產生一個跨產品的警告。本來你的查詢可能只用幾秒鐘，但是使用字符串匹配的話就會變成幾分鐘。***的辦法是使用那些可以在 Hadoop 中進行搜索的工具，可以試試 Elasticsearch 的 Hive 集成版本或 Lucidwork 的 Solr ，以及 Cloudera Search 。關系型數據庫這方面表現并不好，但是 Hive 則更糟糕。
3、不要用表連接子查詢
你***創建一個臨時表，然后對這個臨時表進行連接，而不是讓 Hive 自己智能處理子查詢。即不要這樣做：
- select a.* from something a inner join
- (select ... from somethingelse union b select ... from anotherthing c) d
- on a.key1 = d.key1 and a.key2 = b.key2 where a.condition=1
而是應該這樣：
- create var_temp as select ... from somethingelse b
- union select ... from anotherthing c
- and then
- select a.* from something a inner join from var_temp b
- where a.key1=b.key1 and a.key2=b.key2 where a.condition=1
一般來說，這會比 Hive 自己處理子查詢要快許多。
4、使用 Parquet 或 ORC，但是不要轉換使用
也就是說，使用 Parquet 或 ORC 而不要用 TEXTFILE。然而，如果你要把文本數據中導入到更具結構性的數據中，應該做一些轉換再導入到目標表中。你不應該用 LOAD DATA 將文本文件加載到 ORC 中，而是應該將其加載到一個文本中。
如果你要創建另外一個表，并最終大多數分析都是對它進行的，那么你就該對該表進行 ORC 化，因為轉換到 ORC 或 Parquet 要花費很多時間，并不值得將其放到你的 ETL 處理中。如果你有一個簡單的普通文本要導入，也沒做過任何優化，你應該將其加載到一個臨時表并通過 select create 放到 ORC 或 Parquet 中。不過，這有點慢。
5、開關矢量化試試
在你的腳本前面加上 set hive.vectorized.execution.enabled = true 和 set hive.vectorized.execution.reduce.enabled = true ，然后試著打開或關閉它們看看。因為最近版本的 Hive 的矢量化有點問題。
6、不要在表連接中使用 structs
我必須承認我大腦里面的 SQL 格式還是 SQL-92 時代的，所以我無論如何都不會想到去用 structs 。但是如果你做一些超級復雜的操作，比如在聯合主鍵上使用 ON 語句，那么 structs 就很方便。不幸的是，Hive 對它們很不適應，特別是在 ON 語句上。當然，大多數情況下，在較小的數據集和 yields 下是沒錯誤的。在 Tez 里面，你會得到一個有趣的矢量錯誤。這個限制并未見于我所知的任何文檔，也許這是一個探索你的執行引擎內部的好辦法。
7、檢查你的容器大小
你也許需要為 Impala 或 Tez 增加你的容器大小。如果有你的節點大小比較大，“推薦的”容器大小可能就不適用于你的系統。你也許需要確保你的 YARN 隊列和常規的 YARN 內存大小合適。你也許應該 注意默認的隊列并不適合 所有的常規使用。
8、啟用統計
Hive 在表連接時 會做一些蠢事 ，除非 啟用了統計 。你也可以 在 Impala 中使用查詢提示 。
9、考慮 MapJoin 優化
如果你分析你的查詢，你可能發現***的 Hive 已經可以足夠智能地進行自動優化了。但是你也許需要再調整一下。
10、如果可以， 將大表放到***
如標題。
11、分區總會幫到你，不管多少
如果你有一個出現在許多地方的東西，比如語句中的日期(但不是日期范圍)或重復的地點，你也許應該做分區。分區的基本意思是“拆分到它自己的目錄里面”，而不是到一個大的文件中去查找。當你在你的 join/where 語句中僅檢索 location=’NC’ 這樣一個小數據集時，Hive 就可以在一個文件中查找。此外，和列值不同，你可以在你的 LOAD DATA 語句中加上分區。另外，要記住， HDFS 并不喜歡小文件 。
12、使用哈希進行列比較
如果你要在每個查詢中比較同樣的10個字段，可以考慮使用 hash() 來比較它們的校驗值。在一個輸出表中展示它們也許很有用。注意，在 Hive 0.12 中，哈希功能比較差，0.13中的哈希更好一些。
以上就是我的12點經驗，我希望這些能夠幫到你，讓你從 Hive 的嗡嗡聲中逃離出來。
