hive入門學習 join的三種優化方式

hive在實際的應用過程中，大部份分情況都會涉及到不同的**的連線，例如在進行兩個table的join的時候，利用mr的思想會消耗大量的記憶體，良妃磁碟的io，大幅度的影響效能，因為shuffle真的好令人擔心啊，總之，就是各種問題都是由他產生的。下面介紹一下涉及hive在join的時候的優化方式。

mapjoin的主要意思就是，當鏈結的兩個表是乙個比較小的表和乙個特別大的表的時候，我們把比較小的table直接放到記憶體中去，然後再對比較大的**進行map操作。join就發生在map操作的時候，每當掃瞄乙個大的table中的資料，就要去去檢視小表的資料，哪條與之相符，繼而進行連線。這裡的join並不會涉及reduce操作。map端join的優勢就是在於沒有shuffle，真好。在實際的應用中，我們這樣設定：

set hive.auto.convert.join=true;

這樣設定，hive就會自動的識別比較小的表，繼而用mapjoin來實現兩個表的聯合。看看下面的兩個**的連線。這裡的dept相對來講是比較小的。我們看看會發生什麼，如圖所示：

注意看啦，這裡的第一句話就是執行本地的map join任務，繼而轉存檔案到***.hashtable下面，在給這個檔案裡面上傳乙個檔案進行map join，之後才執行了mr**去執行計數任務。說白了，在本質上mapjoin根本就沒有執行mr程序，僅僅是在記憶體就進行了兩個表的聯合。具體執行如下圖：

common join也叫做shuffle join，reduce join操作。這種情況下生再兩個table的大小相當，但是又不是很大的情況下使用的。具體流程就是在map端進行資料的切分，乙個block對應乙個map操作，然後進行shuffle操作，把對應的block shuffle到reduce端去，再逐個進行聯合，這裡優勢會涉及到資料的傾斜，大幅度的影響效能有可能會執行speculation，這塊兒在後續的資料傾斜會講到。因為平常我們用到的資料量小，所以這裡就不具體演示了。

第三：smbjoin

smb是sort merge bucket操作，首先進行排序，繼而合併，然後放到所對應的bucket中去，bucket是hive中和分割槽表類似的技術，就是按照key進行hash，相同的hash值都放到相同的buck中去。在進行兩個表聯合的時候。我們首先進行分桶，在join會大幅度的對效能進行優化。也就是說，在進行聯合的時候，是table1中的一小部分和table1中的一小部分進行聯合，table聯合都是等值連線，相同的key都放到了同乙個bucket中去了，那麼在聯合的時候就會大幅度的減小無關項的掃瞄。

具體的看看乙個例子：

首先設定如下：

set hive.auto.convert.sortmerge.join=true;
set hive.optimize.bucketmapjoin = true;
set hive.optimize.bucketmapjoin.sortedmerge = true;
set hive.auto.convert.sortmerge.join.noconditionaltask=true;

create table emp_info_bucket(ename string,deptno int)
partitioned by (empno string)
clustered by(deptno) into 4 buckets;
insert overwrite table emp_info_bucket
partition (empno=7369)
select ename ,deptno from emp
create table dept_info_bucket(deptno string,dname string,loc string)
clustered by (deptno) into 4 buckets;
insert overwrite table dept_info_bucket
select * from dept;

select * from emp_info_bucket emp  join dept_info_bucket dept
on(emp.deptno==dept.deptno);//正常的情況下，應該是啟動smbjoin的但是這裡的資料量太小啦，還是啟動了mapjoin

hive入門學習 join的三種優化方式

Hive的三種Join方式

Hive的三種Join方式

Hive的三種Join方式

hive入門學習 join的三種優化方式

Hive的三種Join方式

Hive的三種Join方式

Hive的三種Join方式

相關推薦