大数据——Hive SQL优化

一、SELECT 字段尽可能少，数据过滤尽可能提前

二、能不用JOIN连接的就不用

三、数据倾斜问题

1、JOIN 优化
选用join key分布最均匀的表作为驱动表，并且大表放在右边，小表放在左边。

2、排序优化
sort by代替 order by.

3、少用count(distinct)
用group by代替 count(distinct)

select count(*) from (select uid from testmac group by uid) t
1

四、多表join时key保持一致

当对多个表进行join连接时，如果每个on子句都使用相同的连接键的话，那么只会产生一个MapReduce job，执行效率相对快。

五、去除空值和无意义的值

出现空值或无意义值时，如null，空字符串、-1等，在做join时这些空值就会非常集中，拖累进度。因此，若不需要空值数据，就提前写where语句过滤掉。若需要保留，将空值null的记录随机改为负值：