hivesql優化的深入解析_ZenDei技術網路在線

轉載：https://www.csdn.net/article/2015-01-13/2823530 一個Hive查詢生成多個Map Reduce Job，一個Map Reduce Job又有Map，Reduce，Spill，Shuffle，Sort等多個階段，所以針對Hive查詢的優化可以大致分為 ...

轉載：https://www.csdn.net/article/2015-01-13/2823530

一個Hive查詢生成多個Map Reduce Job，一個Map Reduce Job又有Map，Reduce，Spill，Shuffle，Sort等多個階段，所以針對Hive查詢的優化可以大致分為針對MR中單個步驟的優化（其中又會有細分），針對MR全局的優化，和針對整個查詢（多MR Job）的優化，下文會分別闡述。

在開始之前，先把MR的流程圖帖出來（摘自Hadoop權威指南），方便後面對照。另外要說明的是，這個優化只是針對Hive 0.9版本，而不是後來Hortonwork發起Stinger項目之後的版本。相對應的Hadoop版本是1.x而非2.x。

Map階段的優化(Map phase)

Map階段的優化，主要是確定合適的Map數。那麼首先要瞭解Map數的計算公式：

num_Map_tasks = max[${Mapred.min.split.size}，
                min(${dfs.block.size}， ${Mapred.max.split.size})]

Mapred.min.split.size指的是數據的最小分割單元大小。

Mapred.max.split.size指的是數據的最大分割單元大小。

dfs.block.size指的是HDFS設置的數據塊大小。

一般來說dfs.block.size這個值是一個已經指定好的值，而且這個參數Hive是識別不到的：

Hive> set dfs.block.size;
dfs.block.size is undefined

所以實際上只有Mapred.min.split.size和Mapred.max.split.size這兩個參數（本節內容後面就以min和max指代這兩個參數）來決定Map數量。在Hive中min的預設值是1B，max的預設值是256MB：

Hive> set Mapred.min.split。size;
Mapred.min.split.size=1
Hive> set Mapred.max.split。size;
Mapred.max.split.size=256000000

所以如果不做修改的話，就是1個Map task處理256MB數據，我們就以調整max為主。通過調整max可以起到調整Map數的作用，減小max可以增加Map數，增大max可以減少Map數。需要提醒的是，直接調整Mapred.Map.tasks這個參數是沒有效果的。

調整大小的時機根據查詢的不同而不同，總的來講可以通過觀察Map task的完成時間來確定是否需要增加Map資源。如果Map task的完成時間都是接近1分鐘，甚至幾分鐘了，那麼往往增加Map數量，使得每個Map task處理的數據量減少，能夠讓Map task更快完成；而如果Map task的運行時間已經很少了，比如10-20秒，這個時候增加Map不太可能讓Map task更快完成，反而可能因為Map需要的初始化時間反而讓Job總體速度變慢，這個時候反而需要考慮是否可以把Map的數量減少，這樣可以節省更多資源給其他Job。

Reduce階段的優化(Reduce phase)

這裡說的Reduce階段，是指前面流程圖中的Reduce phase（實際的Reduce計算）而非圖中整個Reduce task。Reduce階段優化的主要工作也是選擇合適的Reduce task數量，跟上面的Map優化類似。

與Map優化不同的是，Reduce優化時，可以直接設置Mapred。Reduce。tasks參數從而直接指定Reduce的個數。當然直接指定Reduce個數雖然比較方便，但是不利於自動擴展。Reduce數的設置雖然相較Map更靈活，但是也可以像Map一樣設定一個自動生成規則，這樣運行定時Job的時候就不用擔心原來設置的固定Reduce數會由於數據量的變化而不合適。

Hive估算Reduce數量的時候，使用的是下麵的公式：

num_Reduce_tasks = min[${Hive.exec.Reducers.max}， 
                      (${input.size} / ${ Hive.exec.Reducers.bytes.per.Reducer})]

也就是說，根據輸入的數據量大小來決定Reduce的個數，預設Hive.exec.Reducers.bytes.per.Reducer為1G，而且Reduce個數不能超過一個上限參數值，這個參數的預設取值為999。所以我們可以調整Hive.exec.Reducers.bytes.per.Reducer來設置Reduce個數。

設置Reduce數同樣也是根據運行時間作為參考調整，並且可以根據特定的業務需求、工作負載類型總結出經驗，所以不再贅述。

Map與Reduce之間的優化(Spill， copy， Sort phase)

Map phase和Reduce phase之間主要有3道工序。首先要把Map輸出的結果進行排序後做成中間文件，其次這個中間文件就能分發到各個Reduce，最後Reduce端在執行Reduce phase之前把收集到的排序子文件合併成一個排序文件。這個部分可以調的參數挺多，但是一般都是不要調整的，不必重點關註。

Spill 與 Sort

在Spill階段，由於記憶體不夠，數據可能沒辦法在記憶體中一次性排序完成，那麼就只能把局部排序的文件先保存到磁碟上，這個動作叫Spill，然後Spill出來的多個文件可以在最後進行merge。如果發生Spill，可以通過設置io.Sort.mb來增大Mapper輸出buffer的大小，避免Spill的發生。另外合併時可以通過設置io.Sort.factor來使得一次性能夠合併更多的數據。調試參數的時候，一個要看Spill的時間成本，一個要看merge的時間成本，還需要註意不要撐爆記憶體（io.Sort.mb是算在Map的記憶體裡面的）。Reduce端的merge也是一樣可以用io.Sort.factor。一般情況下這兩個參數很少需要調整，除非很明確知道這個地方是瓶頸。

Copy

copy階段是把文件從Map端copy到Reduce端。預設情況下在5%的Map完成的情況下Reduce就開始啟動copy，這個有時候是很浪費資源的，因為Reduce一旦啟動就被占用，一直等到Map全部完成，收集到所有數據才可以進行後面的動作，所以我們可以等比較多的Map完成之後再啟動Reduce流程，這個比例可以通Mapred.Reduce.slowstart.completed.Maps去調整，他的預設值就是5%。如果覺得這麼做會減慢Reduce端copy的進度，可以把copy過程的線程增大。tasktracker.http.threads可以決定作為server端的Map用於提供數據傳輸服務的線程，Mapred.Reduce.parallel.copies可以決定作為client端的Reduce同時從Map端拉取數據的並行度（一次同時從多少個Map拉數據），修改參數的時候這兩個註意協調一下，server端能處理client端的請求即可。

文件格式的優化

文件格式方面有兩個問題，一個是給輸入和輸出選擇合適的文件格式，另一個則是小文件問題。小文件問題在目前的Hive環境下已經得到了比較好的解決，Hive的預設配置中就可以在小文件輸入時自動把多個文件合併給1個Map處理，輸出時如果文件很小也會進行一輪單獨的合併，所以這裡就不專門討論了。相關的參數可以在這裡找到。

關於文件格式，Hive0.9版本有3種，textfile，sequencefile和rcfile。總體上來說，rcfile的壓縮比例和查詢時間稍好一點，所以推薦使用。

關於使用方法，可以在建表結構時可以指定格式，然後指定壓縮插入：

create table rc_file_test( col int ) stored as rcfile;
set Hive.exec.compress.output = true;
insert overwrite table rc_file_test
select * from source_table;

另外時也可以指定輸出格式，也可以通過Hive。default。fileformat來設定輸出格式，適用於create table as select的情況：

set Hive.default.fileformat = SequenceFile;
set Hive.exec.compress.output = true; 
/*對於sequencefile，有record和block兩種壓縮方式可選，block壓縮比更高*/
set Mapred.output.compression.type = BLOCK; 
create table seq_file_test
as select * from source_table;

上面的文件格式轉換，其實是由Hive完成的（也就是插入動作）。但是也可以由外部直接導入純文本（可以按照這裡的做法預先壓縮），或者是由MapReduce Job生成的數據。

值得註意的是，Hive讀取sequencefile的時候，是把key忽略的，也就是直接讀value並且按照指定分隔符分隔欄位。但是如果Hive的數據來源是從mr生成的，那麼寫sequencefile的時候，key和value都是有意義的，key不能被忽略，而是應該當成第一個欄位。為瞭解決這種不匹配的情況，有兩種辦法。一種是要求凡是結果會給Hive用的mr Job輸出value的時候帶上key。但是這樣的話對於開發是一個負擔，讀寫數據的時候都要註意這個情況。所以更好的方法是第二種，也就是把這個源自於Hive的問題交給Hive解決，寫一個InputFormat包裝一下，把value輸出加上key即可。以下是核心代碼，修改了RecordReader的next方法：

public synchronized boolean next(K key， V value) throws IOException 
{
    Text tKey = (Text) key;
    Text tValue = (Text) value;
    if (!super.next(innerKey， innerValue)) 
        return false;

    Text inner_key = (Text) innerKey; //在構造函數中用createKey()生成
    Text inner_value = (Text) innerValue; //在構造函數中用createValue()生成

    tKey.set(inner_key);
    tValue.set(inner_key.toString() + '\t' + inner_value.toString()); // 分隔符註意自己定義
    return true;
}

Job整體優化

有一些問題必須從Job的整體角度去觀察。這裡討論幾個問題：Job執行模式（本地執行v.s.分散式執行）、JVM重用、索引、Join演算法、數據傾斜。

Job執行模式

Hadoop的Map Reduce Job可以有3種模式執行，即本地模式，偽分散式，還有真正的分散式。本地模式和偽分散式都是在最初學習Hadoop的時候往往被說成是做單機開發的時候用到。但是實際上對於處理數據量非常小的Job，直接啟動分散式Job會消耗大量資源，而真正執行計算的時間反而非常少。這個時候就應該使用本地模式執行mr Job，這樣執行的時候不會啟動分散式Job，執行速度就會快很多。比如一般來說啟動分散式Job，無論多小的數據量，執行時間一般不會少於20s，而使用本地mr模式，10秒左右就能出結果。

設置執行模式的主要參數有三個，一個是Hive.exec.mode.local.auto，把他設為true就能夠自動開啟local mr模式。但是這還不足以啟動local mr，輸入的文件數量和數據量大小必須要控制，這兩個參數分別為Hive.exec.mode.local.auto.tasks.max和Hive.exec.mode.local.auto.inputbytes.max，預設值分別為4和128MB，即預設情況下，Map處理的文件數不超過4個並且總大小小於128MB就啟用local mr模式。

JVM重用

正常情況下，MapReduce啟動的JVM在完成一個task之後就退出了，但是如果任務花費時間很短，又要多次啟動JVM的情況下（比如對很大數據量進行計數操作），JVM的啟動時間就會變成一個比較大的overhead。在這種情況下，可以使用jvm重用的參數：

set Mapred.Job.reuse.jvm.num.tasks = 5;

他的作用是讓一個jvm運行多次任務之後再退出。這樣一來也能節約不少JVM啟動時間。

索引

總體上來說，Hive的索引目前還是一個不太適合使用的東西，這裡只是考慮到敘述完整性，對其進行基本的介紹。

Hive中的索引架構開放了一個介面，允許你根據這個介面去實現自己的索引。目前Hive自己有一個參考的索引實現（CompactIndex），後來在0.8版本中又加入點陣圖索引。這裡就講講CompactIndex。

CompactIndex的實現原理類似一個lookup table，而非傳統資料庫中的B樹。如果你對table A的col1做了索引，索引文件本身就是一個table，這個table會有3列，分別是col1的枚舉值，每個值對應的數據文件位置，以及在這個文件位置中的偏移量。通過這種方式，可以減少你查詢的數據量（偏移量可以告訴你從哪個位置開始找，自然只需要定位到相應的block），起到減少資源消耗的作用。但是就其性能來說，並沒有很大的改善，很可能還不如構建索引需要花的時間。所以在集群資源充足的情況下，沒有太大必要考慮索引。

CompactIndex的還有一個缺點就是使用起來不友好，索引建完之後，使用之前還需要根據查詢條件做一個同樣剪裁才能使用，索引的內部結構完全暴露，而且還要花費額外的時間。具體看看下麵的使用方法就瞭解了：

/*在index_test_table表的id欄位上創建索引*/
create index idx on table index_test_table(id)  
as 'org.apache.Hadoop.Hive.ql.index.compact.CompactIndexHandler' with deferred rebuild;
alter index idx on index_test_table rebuild;
	
/*索引的剪裁。找到上面建的索引表，根據你最終要用的查詢條件剪裁一下。*/
/*如果你想跟RDBMS一樣建完索引就用，那是不行的，會直接報錯，這也是其麻煩的地方*/
create table my_index
as select _bucketname， `_offsets`
from default__index_test_table_idx__ where id = 10;
	
/*現在可以用索引了，註意最終查詢條件跟上面的剪裁條件一致*/
set Hive.index.compact.file = /user/Hive/warehouse/my_index; 
set Hive.input.format = org.apache.Hadoop.Hive.ql.index.compact.HiveCompactIndexInputFormat;
select count(*) from index_test_table where id = 10;

Join演算法

處理分散式join，一般有兩種方法:

replication join：把其中一個表複製到所有節點，這樣另一個表在每個節點上面的分片就可以跟這個完整的表join了；

repartition join：把兩份數據按照join key進行hash重分佈，讓每個節點處理hash值相同的join key數據，也就是做局部的join。

這兩種方式在M/R Job中分別對應了Map side join和Reduce side join。在一些MPP DB中，數據可以按照某列欄位預先進行hash分佈，這樣在跟這個表以這個欄位為join key進行join的時候，該表肯定不需要做數據重分佈了，這種功能是以HDFS作為底層文件系統的Hive所沒有的。

在預設情況下，Hive的join策略是進行Reduce side join。當兩個表中有一個是小表的時候，就可以考慮用Map join了，因為小表複製的代價會好過大表Shuffle的代價。使用Map join的配置方法有兩種，一種直接在sql中寫hint，語法是/*+MapJOIN (tbl)*/，其中tbl就是你想要做replication的表。另一種方法是設置Hive.auto.convert.join = true，這樣Hive會自動判斷當前的join操作是否合適做Map join，主要是找join的兩個表中有沒有小表。至於多大的表算小表，則是由Hive.smalltable.filesize決定，預設25MB。

但是有的時候，沒有一個表足夠小到能夠放進記憶體，但是還是想用Map join怎麼辦？這個時候就要用到bucket Map join。其方法是兩個join表在join key上都做hash bucket，並且把你打算複製的那個（相對）小表的bucket數設置為大表的倍數。這樣數據就會按照join key做hash bucket。小表依然複製到所有節點，Map join的時候，小表的每一組bucket載入成hashtable，與對應的一個大表bucket做局部join，這樣每次只需要載入部分hashtable就可以了。

然後在兩個表的join key都具有唯一性的時候（也就是可做主鍵），還可以進一步做Sort merge bucket Map join。做法還是兩邊要做hash bucket，而且每個bucket內部要進行排序。這樣一來當兩邊bucket要做局部join的時候，只需要用類似merge Sort演算法中的merge操作一樣把兩個bucket順序遍歷一遍即可完成，這樣甚至都不用把一個bucket完整的載入成hashtable，這對性能的提升會有很大幫助。

然後這裡以一個完整的實驗說明這幾種join演算法如何操作。

首先建表要帶上bucket：

create table Map_join_test(id int)
clustered by (id) Sorted by (id) into 32 buckets
stored as textfile;

然後插入我們準備好的800萬行數據，註意要強制劃分成bucket（也就是用Reduce劃分hash值相同的數據到相同的文件）：

set Hive.enforce.bucketing = true;
insert overwrite table Map_join_test
select * from Map_join_source_data;

這樣這個表就有了800萬id值（且裡面沒有重覆值，所以可以做Sort merge），占用80MB左右。

接下來我們就可以一一嘗試Map join的演算法了。首先是普通的Map join：

select /*+Mapjoin(a) */count(*)
from Map_join_test a
join Map_join_test b on a.id = b.id;

然後就會看到分發hash table的過程：

2013-08-31 09:08:43     Starting to launch local task to process Map join;      maximum memory = 1004929024
2013-08-31 09:08:45     Processing rows:   200000  Hashtable size: 199999  Memory usage:   38823016        rate:   0.039
2013-08-31 09:08:46     Processing rows:   300000  Hashtable size: 299999  Memory usage:   56166968        rate:   0.056
……
2013-08-31 09:12:39     Processing rows:  4900000 Hashtable size: 4899999 Memory usage:   896968104       rate:   0.893
2013-08-31 09:12:47     Processing rows:  5000000 Hashtable size: 4999999 Memory usage:   922733048       rate:   0.918
Execution failed with exit status: 2
Obtaining error information

Task failed!
Task ID:
  Stage-4

不幸的是，居然記憶體不夠了，直接做Map join失敗了。但是80MB的大小為何用1G的heap size都放不下？觀察整個過程就會發現，平均一條記錄需要用到200位元組的存儲空間，這個overhead太大了，對於Map join的小表size一定要好好評估，如果有幾十萬記錄數就要小心了。雖然不太清楚其中的構造原理，但是在互聯網上也能找到其他的例證，比如這裡和這裡，平均一行500位元組左右。這個明顯比一般的表一行占用的數據量要大。不過Hive也在做這方面的改進，爭取縮小hash table，比如Hive-6430。

所以接下來我們就用bucket Map join，之前分的bucket就派上用處了。只需要在上述sql的前面加上如下的設置：

set Hive。optimize。bucketMapjoin = true;

然後還是會看到hash table分發：

2013-08-31 09:20:39     Starting to launch local task to process Map join;      maximum memory = 1004929024
2013-08-31 09:20:41     Processing rows:   200000  Hashtable size: 199999  Memory usage:   38844832        rate:   0.039
2013-08-31 09:20:42     Processing rows:   275567  Hashtable size: 275567  Memory usage:   51873632        rate:   0.052
2013-08-31 09:20:42     Dump the hashtable into file: file:/tmp/Hadoop/Hive_2013-08-31_21-20-37_444_1135806892100127714/-local-10003/HashTable-Stage-1/MapJoin-a-10-000000_0。hashtable
2013-08-31 09:20:46     Upload 1 File to: file:/tmp/Hadoop/Hive_2013-08-31_21-20-37_444_1135806892100127714/-local-10003/HashTable-Stage-1/MapJoin-a-10-000000_0。hashtable File size: 11022975
2013-08-31 09:20:47     Processing rows:   300000  Hashtable size: 24432   Memory usage:   8470976 rate:   0.008
2013-08-31 09:20:47     Processing rows:   400000  Hashtable size: 124432  Memory usage:   25368080        rate:   0.025
2013-08-31 09:20:48     Processing rows:   500000  Hashtable size: 224432  Memory usage:   42968080        rate:   0.043
2013-08-31 09:20:49     Processing rows:   551527  Hashtable size: 275960  Memory usage:   52022488        rate:   0.052
2013-08-31 09:20:49     Dump the hashtable into file: file:/tmp/Hadoop/Hive_2013-08-31_21-20-37_444_1135806892100127714/-local-10003/HashTable-Stage-1/MapJoin-a-10-000001_0。hashtable
……

這次就會看到每次構建完一個hash table（也就是所對應的對應一個bucket），會把這個hash table寫入文件，重新構建新的hash table。這樣一來由於每個hash table的量比較小，也就不會有記憶體不足的問題，整個sql也能成功運行。不過光光是這個複製動作就要花去3分半的時間，所以如果整個Job本來就花不了多少時間的，那這個時間就不可小視。

最後我們試試Sort merge bucket Map join，在bucket Map join的基礎上加上下麵的設置即可：

set Hive.optimize.bucketMapjoin.Sortedmerge = true;
set Hive.input.format = org.apache.Hadoop.Hive.ql.io.BucketizedHiveInputFormat;

Sort merge bucket Map join是不會產生hash table複製的步驟的，直接開始做實際Map端join操作了，數據在join的時候邊做邊讀。跳過複製的步驟，外加join演算法的改進，使得Sort merge bucket Map join的效率要明顯好於bucket Map join。

關於join的演算法雖然有這麼些選擇，但是個人覺得，對於日常使用，掌握預設的Reduce join和普通的（無bucket）Map join已經能解決大多數問題。如果小表不能完全放記憶體，但是小表相對大表的size量級差別也非常大的時候也可以試試bucket Map join，不過其hash table分發的過程會浪費不少時間，需要評估下是否能夠比Reduce join更高效。而Sort merge bucket Map join雖然性能不錯，但是把數據做成bucket本身也需要時間，另外其發動條件比較特殊，就是兩邊join key必須都唯一（很多介紹資料中都不提這一點。強調下必須都是唯一，哪怕只有一個表不唯一，出來的結果也是錯的。當然，其實這點完全可以根據其演算法原理推敲出來）。這樣的場景相對比較少見，“用戶基本表 join 用戶擴展表”以及“用戶今天的數據快照 join 用戶昨天的數據快照”這類場景可能比較合適。

這裡順便說個題外話，在數據倉庫中，小表往往是維度表，而小表Map join這件事情其實用udf代替還會更快，因為不用單獨啟動一輪Job，所以這也是一種可選方案。當然前提條件是維度表是固定的自然屬性（比如日期），只增加不修改（比如網站的頁面編號）的情況也可以考慮。如果維度有更新，要做緩慢變化維的，當然還是維表好維護。至於維表原本的一個主要用途OLAP，以Hive目前的性能是沒法實現的，也就不需要多慮了。

數據傾斜

所謂數據傾斜，說的是由於數據分佈不均勻，個別值集中占據大部分數據量，加上Hadoop的計算模式，導致計算資源不均勻引起性能下降。下圖就是一個例子：

還是拿網站的訪問日誌說事吧。假設網站訪問日誌中會記錄用戶的user_id，並且對於註冊用戶使用其用戶表的user_id，對於非註冊用戶使用一個user_id=0代表。那麼鑒於大多數用戶是非註冊用戶（只看不寫），所以user_id=0占據了絕大多數。而如果進行計算的時候如果以user_id作為group by的維度或者是join key，那麼個別Reduce會收到比其他Reduce多得多的數據——因為它要接收所有user_id=0的記錄進行處理，使得其處理效果會非常差，其他Reduce都跑完很久了它還在運行。

傾斜分成group by造成的傾斜和join造成的傾斜，需要分開看。

group by造成的傾斜有兩個參數可以解決，一個是Hive.Map.aggr，預設值已經為true，意思是會做Map端的combiner。所以如果你的group by查詢只是做count(*)的話，其實是看不出傾斜效果的，但是如果你做的是count(distinct)，那麼還是會看出一點傾斜效果。另一個參數是Hive.groupby. skewindata。這個參數的意思是做Reduce操作的時候，拿到的key並不是所有相同值給同一個Reduce，而是隨機分發，然後Reduce做聚合，做完之後再做一輪MR，拿前面聚合過的數據再算結果。所以這個參數其實跟Hive.Map.aggr做的是類似的事情，只是拿到Reduce端來做，而且要額外啟動一輪Job，所以其實不怎麼推薦用，效果不明顯。

如果說要改寫SQL來優化的話，可以按照下麵這麼做：

/*改寫前*/
select a， count(distinct b) as c from tbl group by a;
/*改寫後*/
select a， count(*) as c
from (select distinct a， b from tbl) group by a;

join造成的傾斜，就比如上面描述的網站訪問日誌和用戶表兩個表join：

select a.* from logs a join users b on a。user_id = b.user_id;

Hive給出的解決方案叫skew join，其原理把這種user_id = 0的特殊值先不在Reduce端計算掉，而是先寫入hdfs，然後啟動一輪Map join專門做這個特殊值的計算，期望能提高計算這部分值的處理速度。當然你要告訴Hive這個join是個skew join，即：

set Hive.optimize.skewjoin = true;

還有要告訴Hive如何判斷特殊值，根據Hive.skewjoin.key設置的數量Hive可以知道，比如預設值是100000，那麼超過100000條記錄的值就是特殊值。

skew join的流程可以用下圖描述：

另外對於特殊值的處理往往跟業務有關係，所以也可以從業務角度重寫sql解決。比如前面這種傾斜join，可以把特殊值隔離開來（從業務角度說，users表應該不存在user_id = 0的情況，但是這裡還是假設有這個值，使得這個寫法更加具有通用性）：

select a.* from 
(
select a.*
from (select * from logs where user_id = 0)  a 
join (select * from users where user_id = 0) b 
on a。user_id =  b。user_id
union all
select a.* 
from logs a join users b
on a。user_id <> 0 and a。user_id = b.user_id
)t;

數據傾斜不僅僅是Hive的問題，其實是share nothing架構下必然會碰到的數據分佈問題，對此學界也有專門的研究，比如skewtune。

SQL整體優化

前面對於單個Job如何做優化已經做過詳細討論，但是Hive查詢會生成多個Job，針對多個Job，有什麼地方需要優化？

Job間並行

首先，在Hive生成的多個Job中，在有些情況下Job之間是可以並行的，典型的就是子查詢。當需要執行多個子查詢union all或者join操作的時候，Job間並行就可以使用了。比如下麵的代碼就是一個可以並行的場景示意：

select * from 
(
   select count(*) from logs 
   where log_date = 20130801 and item_id = 1
   union all 
   select count(*) from logs 
   where log_date = 20130802 and item_id = 2
   union all 
   select count(*) from logs 
   where log_date = 20130803 and item_id = 3
)t

設置Job間並行的參數是Hive.exec.parallel，將其設為true即可。預設的並行度為8，也就是最多允許sql中8個Job並行。如果想要更高的並行度，可以通過Hive.exec.parallel. thread.number參數進行設置，但要避免設置過大而占用過多資源。

減少Job數

另外在實際開發過程中也發現，一些實現思路會導致生成多餘的Job而顯得不夠高效。比如這個需求：查詢某網站日誌中訪問過頁面a和頁面b的用戶數量。低效的思路是面向明細的，先取出看過頁面a的用戶，再取出看過頁面b的用戶，然後取交集，代碼如下：

select count(*) 
from 
(select distinct user_id 
from logs where page_name = ‘a’) a
join 
(select distinct user_id 
from logs where blog_owner = ‘b’) b 
on a.user_id = b.user_id;

這樣一來，就要產生2個求子查詢的Job，一個用於關聯的Job，還有一個計數的Job，一共有4個Job。

但是我們直接用面向統計的方法去計算的話（也就是用group by替代join），則會更加符合M/R的模式，而且生成了一個完全不帶子查詢的sql，只需要用一個Job就能跑完：

select count(*) 
from logs group by user_id
having (count(case when page_name = ‘a’ then 1 end) > 0
    and count(case when page_name = ‘b’ then 1 end) > 0)

第一種查詢方法符合思考問題的直覺，是工程師和分析師在實際查數據中最先想到的寫法，但是如果在目前Hive的query planner不是那麼智能的情況下，想要更加快速的跑出結果，懂一點工具的內部機理也是必須的。