关于hive中的reduce个数的设置。

我们都知道在进行hive的查询的时候，设置合理的reduce个数能够使计算的速度加快。

具体的提高速度的方法有下面这些：

(1)  　　　hive.exec.reducers.bytes.per.reducer（每个reduce任务处理的数据量，默认为1000^3=1G） 

　　　　   hive.exec.reducers.max（每个任务最大的reduce数，默认为999）

我们公司的集群当中的这两个参数的设置如图所示。

在数据进入到reduce中的时候，在map的输入的时候总的数据量小于这个数的时候，会交给一个reduce去处理。

（2）set mapred.reduce.tasks = 15;

也可以通过设置reduce的个数进行reduce端的设置。截图如下：

 

虽然设置了reduce的个数看起来好像执行速度变快了。但是实际并不是这样的。

同map一样，启动和初始化reduce也会消耗时间和资源，

另外，有多少个reduce，就会有多少个输出文件，如果生成了很多小文件，那这些小文件作为下一次任务的输入，则也会出现小文件过多的问题。

 

 对于整个sql的优化可以从下面几个步骤去优化：

（1）尽量尽早地过滤数据，减少每个阶段的数据量,对于分区表要加分区，同时只选择需要使用到的字段

（2）单个SQL所起的JOB个数尽量控制在5个以下

（3）慎重使用mapjoin,一般行数小于2000行，大小小于1M(扩容后可以适当放大)的表才能使用,小表要注意放在join的左边。否则会引起磁盘和内存的大量消耗

（4）写SQL要先了解数据本身的特点，如果有join ,group操作的话，要注意是否会有数据倾斜

    set hive.exec.reducers.max=200;

   set mapred.reduce.tasks= 200;---增大Reduce个数

   set hive.groupby.mapaggr.checkinterval=100000 ;--这个是group的键对应的记录条数超过这个值则会进行分拆,值根据具体数据量设置

（5） 如果union all的部分个数大于2，或者每个union部分数据量大，应该拆成多个insert into 语句，这样会提升执行的速度。