Hive是将符合SQL语法的字符串解析生成可以在Hadoop上执行的MapReduce的工具。
使用Hive尽量按照分布式计算的一些特点来设计sql，和传统关系型数据库有区别，
所以需要去掉原有关系型数据库下开发的一些固有思维。
基本原则：
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
select … from A
join B
on A.key = B.key
where A.userid>10
and B.userid<10
and A.dt=’20120417′
and B.dt=’20120417′;
应该改写为：
select …. from (select …. from A
where dt=’201200417′
and userid>10
) a
join ( select …. from B
where dt=’201200417′
and userid < 10
) b
on a.key = b.key;
2：尽量原子化操作，尽量避免一个SQL包含复杂逻辑
可以使用中间表来完成复杂的逻辑
drop table if exists tmp_table_1;
create table if not exists tmp_table_1 as
select ……;
drop table if exists tmp_table_2;
create table if not exists tmp_table_2 as
select ……;
drop table if exists result_table;
create table if not exists result_table as
select ……;
drop table if exists tmp_table_1;
drop table if exists tmp_table_2;
3：单个SQL所起的JOB个数尽量控制在5个以下
4：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（目前TCL里面很多都小表放在join的右边）。
否则会引起磁盘和内存的大量消耗
5：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
如果出现数据倾斜，应当做如下处理：
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
set hive.groupby.skewindata=true; –如果是group by过程出现倾斜 应该设置为true
set hive.skewjoin.key=100000; –这个是join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
set hive.optimize.skewjoin=true;–如果是join 过程出现倾斜 应该设置为true
6：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，实际测试过程中，执行时间能提升50%
insert overwite table tablename partition (dt= ….)
select ….. from (
select … from A
union all
select … from B
union all
select … from C
) R
where …;
可以改写为：
insert into table tablename partition (dt= ….)
select …. from A
WHERE …;
insert into table tablename partition (dt= ….)
select …. from B
WHERE …;
insert into table tablename partition (dt= ….)
select …. from C
WHERE …;
