HQL语法优化之分组聚合优化
优化说明
在 Hive 中，未经优化的分组聚合通常通过一个 MapReduce Job 实现。Map 端负责读取数据，并按分组字段进行分区，通过 Shuffle 将数据发送至 Reduce 端，在 Reduce 端完成最终的聚合运算。
Hive 对分组聚合的优化主要是为了减少 Shuffle 数据量，具体做法是采用 map-side 聚合。所谓 map-side 聚合，就是在 Map 端维护一个哈希表，利用它来完成部分聚合，然后将部分聚合的结果按照分组字段分区，发送至 Reduce 端以完成最终的聚合。这种方法能够有效地减少 Shuffle 的数据量，从而提高分组聚合运算的效率。
与 map-side 聚合相关的参数包括：
- 启用 map-side 聚合：
set hive.map.aggr=true; - 检测源表数据是否适合进行 map-side 聚合：
- 检测方法是：先对若干条数据进行 map-side 聚合，若聚合后的条数和聚合前的条数比值小于设定值，则认为该表适合进行 map-side 聚合；
- 否则，认为该表数据不适合进行 map-side 聚合，后续数据便不再进行 map-side 聚合。
set hive.map.aggr.hash.min.reduction=0.5; - 用于检测源表是否适合 map-side 聚合的条数：
set hive.groupby.mapaggr.checkinterval=100000; - map-side 聚合所用的哈希表占用 map task 堆内存的最大比例：
- 若超出此值，则会对哈希表进行一次 flush。
set hive.map.aggr.hash.force.flush.memory.threshold=0.9;
优化案例
1）示例 SQL：
hive (default)>
select
product_id,
count(*)
from order_detail
group by product_id;2）优化前 未经优化的分组聚合，执行计划如下图所示：（实际图形无法在此文本中展示，请参考执行计划输出结果）
3）优化思路 可以考虑开启 map-side 聚合，配置以下参数：
-- 启用 map-side 聚合，默认是 true
set hive.map.aggr=true;
-- 用于检测源表数据是否适合进行 map-side 聚合。检测的方法是：先对若干条数据进行 map-side 聚合，若聚合后的条数和聚合前的条数比值小于该值，则认为该表适合进行 map-side 聚合；否则，认为该表数据不适合进行 map-side 聚合，后续数据便不再进行 map-side 聚合。
set hive.map.aggr.hash.min.reduction=0.5;
-- 用于检测源表是否适合 map-side 聚合的条数。
set hive.groupby.mapaggr.checkinterval=100000;
-- map-side 聚合所用的哈希表，占用 map task 堆内存的最大比例，若超出该值，则会对哈希表进行一次 flush。
set hive.map.aggr.hash.force.flush.memory.threshold=0.9;优化后的执行计划如图所示：（同样，实际图形需通过执行 EXPLAIN 命令获得）
