分享一个 HIVE SQL 性能优化点-使用公共表表达式 CTE 替换临时表
hive 作业的性能优化是一个永恒的话题，其优化方法也有很多，在此分享一个优化点，即编写 SQL 时使用公共表表达式 CTE 替换临时表，经测试优化效果还不错，尤其是涉及到当量IO的场景。
1. CTE 优化点概述
使用公共表表达式CTE (Common Table Expression) 替换临时表（create temporary table temp1 as xx），以提高 SQL 作业的运行效率，并提升代码的可阅读性和易维护性；
2. CTE 性能优化效果
- 某SQL，使用一个160万数据的临时表的情况下，代码优化前 73秒,优化后47秒，性能提升大概有35%；
- 某客户现场某 SQL 脚本优化前43分钟，优化后11分钟；（代码较长故不在此提供，核心要点是代码优化前使用了5个临时表，优化后使用了5个CTE）；
- 具体的性能提升情况，跟临时表的个数，临时表的数据量，以及集群的网络和磁盘IO性能有关；
3. CTE 性能优化原理
CTE 在功能上类似于一个没有持久化元数据到 hms 也没有持久化数据到 HDFS 的临时表或视图，CTE 通过把查询结果集保存在内存/本地磁盘中，避免了使用临时表的一系列开销，从而达到了性能优化的目的:
- 使用临时表的系列开销，包括创建和删除 HMS中元数据的开销，也包括三副本模式创建和删除HDFS上的数据的开销；(使用临时表时会创建 hms中的元数据和 hdfs中的数据，session会话结束时会删除临时表在hms中的元数据和 hdfs中的数据)；
- 当数据量比较大时，Hdfs文件的创建和销毁，涉及到大量网络IO和磁盘IO，一般开销都是比较大的，对我们的大部分大数据应用来说，性能瓶颈一般是在IO而不是CPU；
- 使用 CTE 后，SQL代码不再冗长且结构清晰，从而也提高了代码的可阅读性和易维护性；
4. CTE 语法
WITH cte_name1 AS (select_statement1), cte_name2 AS (select statment2) sql_containing_cte_name:
- cte_name 是公共表表达式的名字;
- select_statement是一个完整的SELECT语句;
- sql_containing_cte_name是包含了刚刚定义的公共表表达式的SQL语句;
- CTE 的 scope 生命周期是 with 子句后的单条 select/insert 语句，所以定义了一个 CTE 以后只能在紧跟着的单条 SQL 中使用，后续的 SQL 语句中该 CTE 的定义是失效的；
5. CTE 优化点实施细节
使用公共表表达式CTE替换临时表，比如：
- 优化前 SQL: “create temporary table liming_temp1 stored as orc as select * from lv_test.dws_cdt_person where part_date=20220526 and branch_no = xxx; insert overwrite table lv_test.dws_cdt_person_liming partition(part_date) select * from liming_temp1;”
- 优化后 SQL：“with liming_cte1 as (select * from lv_test.dws_cdt_person where part_date=20220526 and branch_no = xxx) insert overwrite table lv_test.dws_cdt_person_liming partition(part_date) select * from liming_cte1;”
6. CTE 跨平台跨引擎适用性
经测试，CDH和TDH中的HIVE SQL 都支持 CTE，SPARK SQL也支持 CTE.
7. CTE 的局限性和其它说明
- 由于 CTE 的 scope 有效空间，只局限于紧跟with语句的单一一个SQL语句（只在当前一个SQL语句的执行期有效），所以当 CTE 需要被多个SQL语句引用时，尤其是 CTE 的对应结果需要通过复杂的计算逻辑查询获得时，为避免每次都重复计算降低所有作业的整体性能，且还是推荐使用临时表；
- A Common Table Expression (CTE) is a temporary result set derived from a simple query specified in a WITH clause, which immediately precedes a SELECT or INSERT keyword, you can use CTE to keep your hive queries as readable and performant as possible;
- The CTE is defined only within the execution scope of a single statement and not stored in the metastore, so you can refer a CTE only within the execution scope of the statement that immediately follows the WITH clause；
- One or more CTEs can be used in a Hive SELECT, INSERT, CREATE TABLE AS SELECT, or CREATE VIEW AS SELECT statement;
- 利用CTE优化作业性能，一般不需要修改任何默认参数，但如果要细粒度控制 CTE底层是否物化/持久化，需要关注以下两个参数hive.optimize.cte.materialize.threshold/hive.optimize.cte.materialize.full.aggregate.only：
- hive.optimize.cte.materialize.threshold:default 3, If the number of references to a CTE clause exceeds this threshold, Hive will materialize it before executing the main query block, -1 will disable this feature;
- hive.optimize.cte.materialize.full.aggregate.only: default true, If enabled only CTEs with aggregate output will be pre-materialized. All CTEs otherwise. Also the number of references to a CTE clause must exceeds the value of hive.optimize.cte.materialize.threshold.
