hive SQL优化之distribute by和sort by

近期在优化hiveSQL。

以下是一段排序，分组后取每组第一行记录的SQL

1. INSERT OVERWRITE TABLE t_wa_funnel_distinct_temp PARTITION (pt='${SRCTIME}') 
2. SELECT 
3.     bussiness_id, 
4.     cookie_id, 
5.     session_id, 
6.     funnel_id, 
7.     group_first(funnel_name) funnel_name, 
8.     step_id, 
9.     group_first(step_name) step_name, 
10.     group_first(log_type) log_type, 
11.     group_first(url_pattern) url_pattern, 
12.     group_first(url) url, 
13.     group_first(refer) refer, 
14.     group_first(log_time) log_time, 
15.     group_first(is_new_visitor) is_new_visitor, 
16.     group_first(is_mobile_traffic) is_mobile_traffic, 
17.     group_first(is_bounce) is_bounce, 
18.     group_first(campaign_name) campaign_name, 
19.     group_first(group_name) group_name, 
20.     group_first(slot_name) slot_name, 
21.     group_first(source_type) source_type, 
22.     group_first(next_page) next_page, 
23.     group_first(continent) continent, 
24.     group_first(sub_continent_region) sub_continent_region, 
25.     group_first(country) country, 
26.     group_first(region) region, 
27.     group_first(city) city, 
28.     group_first(language) language, 
29.     group_first(browser) browser, 
30.     group_first(os) os, 
31.     group_first(screen_color) screen_color, 
32.     group_first(screen_resolution) screen_resolution, 
33.     group_first(flash_version) flash_version, 
34.     group_first(java) java, 
35.     group_first(host) host 
36. FROM 
37. (   SELECT * 
38.     FROM r_wa_funnel  
39.     WHERE pt='${SRCTIME}' 
40.     ORDER BY bussiness_id, cookie_id, session_id, funnel_id, step_id, log_time ASC 
41. ) t1 
42. GROUP BY pt, bussiness_id, cookie_id, session_id, funnel_id, step_id; 

group_first: 自己定义函数。用户取每组第一个字段
${SRCTIME}: 由外部oozie调度传入, 作为时间分区，精确到小时.eg: 2011.11.01.21

以下在hive上以SRCTIME = 2011.11.01.21 运行以上SQL. 2011.11.01.21小时分区记录数有10435486

运行时间:

从上面能够看出，reduce阶段仅仅有一个reduce， 这是由于ORDER BY是全局排序，hive仅仅能通过一个reduce进行排序
从业务需求来看， 仅仅要按bussiness_id, cookie_id, session_id, funnel_id, step_id分组，组内按
log_time升序排序就可以.

OK, 这样能够採用hive提供的distribute by 和 sort by,这样能够充分利用hadoop资源， 在多个
reduce中局部按log_time 排序

优化有的hive代码:

1. INSERT OVERWRITE TABLE t_wa_funnel_distinct PARTITION (pt='2011.11.01.21') 
2. SELECT 
3.     bussiness_id, 
4.     cookie_id, 
5.     session_id, 
6.     funnel_id, 
7.     group_first(funnel_name) funnel_name, 
8.     step_id, 
9.     group_first(step_name) step_name, 
10.     group_first(log_type) log_type, 
11.     group_first(url_pattern) url_pattern, 
12.     group_first(url) url, 
13.     group_first(refer) refer, 
14.     group_first(log_time) log_time, 
15.     group_first(is_new_visitor) is_new_visitor, 
16.     group_first(is_mobile_traffic) is_mobile_traffic, 
17.     group_first(is_bounce) is_bounce, 
18.     group_first(campaign_name) campaign_name, 
19.     group_first(group_name) group_name, 
20.     group_first(slot_name) slot_name, 
21.     group_first(source_type) source_type, 
22.     group_first(next_page) next_page, 
23.     group_first(continent) continent, 
24.     group_first(sub_continent_region) sub_continent_region, 
25.     group_first(country) country, 
26.     group_first(region) region, 
27.     group_first(city) city, 
28.     group_first(language) language, 
29.     group_first(browser) browser, 
30.     group_first(os) os, 
31.     group_first(screen_color) screen_color, 
32.     group_first(screen_resolution) screen_resolution, 
33.     group_first(flash_version) flash_version, 
34.     group_first(java) java, 
35.     group_first(host) host 
36. FROM 
37. (   SELECT * 
38.     FROM r_wa_funnel  
39.     WHERE pt='2011.11.01.21' 
40.     distribute by bussiness_id, cookie_id, session_id, funnel_id, step_id sort by log_time ASC 
41. ) t1 
42. GROUP BY bussiness_id, cookie_id, session_id, funnel_id, step_id; 

运行时间:

第一个须要运行6:43， 而优化有仅仅要运行0:35秒。性能得到大幅提升