【Hive】性能调优 - map-side JOIN

Hive版本: hive-1.1.0-cdh5.14.2

概述

如果表关联时，有一张表很小，那么可以在大表通过mapper时将小表完全加载到内存中，Hive可以在map端完成关联过程，这就是所谓的map-side JOIN。
使用map-side JOIN可以省掉常规的reduce过程，从而提升Hive的效率。
Hive中有三个和map-side JOIN相关的参数：

参数	默认值
hive.auto.convert.join	true (Hive 0.11.0+)
hive.auto.convert.join.noconditionaltask	true
hive.auto.convert.join.noconditionaltask.size	10000000(10M)

如果想使用map-side JOIN，重点关注hive.auto.convert.join.noconditionaltask.size就可以了，可以认为如果小表的大小超过此参数的值(默认10M)，Hive就不会自动优化为map-side JOIN。但可以根据节点的实际内存大小，合理调整此参数值。
Hive官方文档对参数有如下解释：

注意:

由于map-side JOIN只能流化一个表到内存，而全外连接( Full Outer join)需要关联后两张表的数据，所以暂不能使用此优化。

测试

下面是对hive.auto.convert.join.noconditionaltask.size的简单测试：
测试环境中有两张表youtubevideo_orc(132.42M)，youtubevideo_user_orc(17.33M)

1. hive.auto.convert.join.noconditionaltask.size不做调整

因以上二表的任一个都大于此参数的默认值(10M)，所以Hive会执行reduce-side JOIN，而非map-side JOIN。

0: jdbc:hive2://node03:10000> explain select t1.uploader,t2.friends from youtubevideo_orc t1
. . . . . . . . . . . . . . > join youtubevideo_user_orc t2 on t1.uploader = t2.uploader
. . . . . . . . . . . . . . > limit 10;

在执行计划中可以看出，Hive依然执行了reduce过程：

2. hive.auto.convert.join.noconditionaltask.size调整为20M

因youtubevideo_user_orc(17.33M)，符合小于hive.auto.convert.join.noconditionaltask.size的值，所以Hive会自动调整为map-side JOIN。

0: jdbc:hive2://node03:10000> set hive.auto.convert.join.noconditionaltask.size = 20000000;
No rows affected (0.005 seconds)
0: jdbc:hive2://node03:10000> explain select t1.uploader,t2.friends from youtubevideo_orc t1
. . . . . . . . . . . . . . > join youtubevideo_user_orc t2 on t1.uploader = t2.uploader
. . . . . . . . . . . . . . > limit 10;

在执行计划中可以看出，Hive只执行map，而没有reduce过程(非重要部分已在截图中省略)：

3. Full Outer Join不会使用map-side JOIN

关联方式改为Full Outer Join后，即使hive.auto.convert.join.noconditionaltask.size调整为20M，Hive依然使用reduce-side JOIN，而非map-side JOIN。

0: jdbc:hive2://node03:10000> set hive.auto.convert.join.noconditionaltask.size = 20000000;
0: jdbc:hive2://node03:10000> explain select t1.uploader,t2.friends from youtubevideo_orc t1
. . . . . . . . . . . . . . > full outer join youtubevideo_user_orc t2 on t1.uploader = t2.uploader
. . . . . . . . . . . . . . > limit 10;

总结

map-side JOIN可以省掉reduce过程，从而提高Hive效率；
Hive 0.11.0版本后，默认开启自动map-side JOIN优化，我们需要合理调整hive.auto.convert.join.noconditionaltask.size参数值。