Hive Tunning（二）优化存储
接着上一章我们讲的hive的连接策略，现在我们讲一下hive的数据存储。
下面是hive支持的数据存储格式，有我们常见的文本，JSON，XML，这里我们主要讲一下ORCFile。
Built-in Formats:
– ORCFile
– RCFile
– Avro
– Delimited Text
– Regular Expression
– S3 Logfile
– Typed Bytes
• 3
rd
-Party Addons:
– JSON
– XML
这种格式非常适合HDFS，它有以下的
优点：
•高压缩
– 高压缩比.
– 字典编码.
•高性能
– 自带索引.
– 高效的精确查询.
• 灵活的数据模型
– 支持所有的hive类型，包括maps.
从图中可以看出，orc格式的文件存储大小仅为文本的30%左右，比gz格式的都小，采用zlib压缩的话，更小，仅有22%左右。
使用orc格式存储的方式很简单，在建表的时候STORED AS orc即可
CREATE TABLE sale(
id int, timestamp timestamp,
productsk int, storesk int,
amount decimal, state string
)STORED AS orc; 
不适用zlib压缩的话，查询速度更快，但是也大一些。
CREATE TABLE sale(
id int, timestamp timestamp,
productsk int, storesk int,
amount decimal, state string
)STORED AS orc tblproperties ("orc.compress"="NONE"); 下面是加快hive查询的一些可以参考的方式：
（1）跳跃读取：采用分区Partition或者使用Skew，才用ORCFile二次排序。
（2）在连接字段上排序并且bucket，在连接小表的时候采用Broadcast joins。
（3）对经常使用的数据，增加备份因子，激活Short-Circuit Read，采用Tez。
当某个表很大的时候，我们往往要对其进行分区，比如按照时间来分区。
CREATE TABLE sale(
id int, amount decimal, ...
)partitioned by (xdate string, state string);
其中的xdate和state是不存在的列，你可以认为它们是虚拟列，虚拟列会在HDFS当中建立子目录，属于分区的记录会存在那个子文件夹中。
使用分区之后，在查询和插入的时候，就必须带有至少一个分区字段，否则查询将会失败。
INSERT INTO sale (xdate=‘2013-03-01’, state=‘CA’)
SELECT * FROM staging_table
WHERE xdate = ‘2013-03-01’ AND state = ‘CA’;
如果你想一次查出所有数据，不想受这个限制的话，你可以 hive.exec.dynamic.partition.mode参数置为nonstrict。
set hive.exec.dynamic.partition.mode=nonstrict;
INSERT INTO sale (xdate, state)
SELECT * FROM staging_table;
有时候插入数据的时候，我们需要重新排序,在select 语句里面把虚拟列也加上，这样会有排序的效果。
INSERT INTO sale (xdate, state=‘CA’)
SELECT
id, amount, other_stuff,
xdate, state
FROM staging_table
WHERE state = ‘CA’;下面我们讲一下常用的hive查询调优
mapred.max.split.size和mapred.min.split.size
min 太大-> 太少mapper.
max 太小-> mapper太多.
Example:
– set mapred.max.split.size=100000000;
– set mapred.min.split.size=1000000;
当然也有个原则，当mappers出现抢占资源的时候，才调整这些参数。
– set io.sort.mb=100;
• All the time:
– set hive.optmize.mapjoin.mapreduce=true;
– set hive.optmize.bucketmapjoin=true;
– set hive.optmize.bucketmapjoin.sortedmerge=true;
– set hive.auto.convert.join=true;
– set hive.auto.convert.sortmerge.join=true;
– set hive.auto.convert.sortmerge.join.nocondi1onaltask=true;
• When bucketing data:
– set hive.enforce.bucketing=true;
– set hive.enforce.sortng=true;
• These and more are set by default in HDP 1.3（明显的广告词，说明HDP比较强大，已经给我们设置好了）.
这些参数我们可以在hive-site.xml中查询到，我们也可以在shell中查询。
（1）查询所有的参数
（2）查询某一个参数
（3）修改参数
