使用Hive 分析数据

当我们的数据量特别大的时候，我们可以用Hive统计数据。

Hive的好处是特别方便，编写程序的难度比较低。

输出文件作聚合的方法：

http://www.chinacloud.cn/show.aspx?id=3277&cid=12

Map端部分聚合：

并不是所有的聚合操作都需要在Reduce端完成，很多聚合操作都可以先在Map端进行部分聚合，最后在Reduce端得出最终结果。

基于Hash

参数包括：

• hive.map.aggr=true是否在Map端进行聚合，默认为True
• hive.groupby.mapaggr.checkinterval=100000在Map端进行聚合操作的条目数目

有数据倾斜的时候进行负载均衡

hive.groupby.skewindata=false

当选项设定为true，生成的查询计划会有两个MRJob。第一个MRJob中，Map的输出结果集合会随机分布到Reduce中，每个Reduce做部分聚合操作，并输出结果，这样处理的结果是相同的GroupByKey有可能被分发到不同的Reduce中，从而达到负载均衡的目的；第二个MRJob再根据预处理的数据结果按照GroupByKey分布到Reduce中（这个过程可以保证相同的GroupByKey被分布到同一个Reduce中），最后完成最终的聚合操作。

合并小文件

文件数目过多，会给HDFS带来压力，并且会影响处理效率，可以通过合并Map和Reduce的结果文件来消除这样的影响：

• hive.merge.mapfiles=true是否和并Map输出文件，默认为True
• hive.merge.mapredfiles=false是否合并Reduce输出文件，默认为False
• hive.merge.size.per.task=256*1000*1000合并文件的大小