减少 Hive 查询执行时间的方法答案

【问题标题】：Approach to reduce the execution time of a Hive query减少 Hive 查询执行时间的方法
【发布时间】：2019-03-07 14:13:47
【问题描述】：

由于事务表中的数据量很大，我们每天都在下面运行这个查询，这个查询运行了 3 个小时左右。有什么方法可以调整此查询或减少执行时间？

   CREATE TEMPORARY TABLE t1 AS
    SELECT DISTINCT EVENT_DATE FROM (
      SELECT DISTINCT EVENT_DATE FROM mstr_wrk.cust_transation
      WHERE load_date BETWEEN CAST(CAST('2019-03-05 04:00:31.0' AS TIMESTAMP) AS DATE) AND CURRENT_DATE() AND  event_title = 'SETUP'
      AND state != 'INACTIVE' AND mode != 'DORMANT') T

我尝试减少减速器的数量以帮助加快速度，还尝试启用矢量化，但运气不佳。我们在 tez 上运行。

【问题讨论】：

标签： hadoop hive query-optimization hadoop-yarn

【解决方案1】：

您不需要应用 DISTINCT 两次
如果表mstr_wrk.cust_transation 被load_date 分区，分区修剪将不起作用，因为您正在使用函数。这将导致表全扫描。在 shell 脚本中计算日期并作为参数传递

在参数化你的脚本之前检查这个脚本的性能

  CREATE TEMPORARY TABLE t1 AS
      SELECT DISTINCT EVENT_DATE FROM mstr_wrk.cust_transation
      WHERE load_date >= '2019-03-05' AND load_date <= '2019-03-07' 
            AND  event_title = 'SETUP'
            AND state != 'INACTIVE' AND mode != 'DORMANT'

【讨论】：

【解决方案2】：

重新设计表格并使用索引。

例如，我将使用数字“状态”列或枚举以及数字或枚举“事件”列。这有助于创建高效的索引，而不是 varchar 或 text 类型。

如果查询正在使用索引，则可以显着提高查询速度。

反正不知道表结构和涉及的记录数，我只是猜测......

【讨论】：