Performance 使用IN子句参数并行执行配置单元查询

我有一个蜂巢查询，如下所示：

select a.x as column from table1 a where a.y in (<long comma-separated list of parameters>)
union all
select b.x as column from table2 b where b.y in (<long comma-separated list of parameters>)

我已将hive.exec.parallel设置为true，这有助于我在union all之间的两个查询之间实现并行性

但是，我的IN子句有许多逗号分隔的值，每个值在一个作业中取一次，然后取下一个值。这实际上是按顺序执行的

是否有任何配置单元参数（如果启用）可以帮助我并行获取in子句中参数的数据

---

目前，我的解决方案是使用=多次触发select查询，而不是在子句中触发一次查询。

不需要在单独的查询中多次读取相同的数据以实现更好的并行性。调整适当的映射器和减速器平行度

首先，通过矢量化启用PPD，使用CBO和Tez：

SET hive.optimize.ppd=true;
SET hive.optimize.ppd.storage=true;
SET hive.vectorized.execution.enabled=true;
SET hive.vectorized.execution.reduce.enabled = true;
SET hive.cbo.enable=true;
set hive.stats.autogather=true;
set hive.compute.query.using.stats=true;
set hive.stats.fetch.partition.stats=true;
set hive.execution.engine=tez;
SET hive.stats.fetch.column.stats=true;
SET hive.tez.auto.reducer.parallelism=true; 

Tez上地图绘制者的设置示例：

set hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;
set tez.grouping.max-size=32000000;
set tez.grouping.min-size=32000;

如果您决定在MR而不是Tez上运行，则映射程序的示例设置：

set mapreduce.input.fileinputformat.split.minsize=32000; 
set mapreduce.input.fileinputformat.split.maxsize=32000000; 

-减速器的示例设置：

set hive.exec.reducers.bytes.per.reducer=32000000; --decrease this to increase the number of reducers, increase to reduce parallelism

播放这些设置。成功的标准是有更多的映射器/还原器，你的映射和还原阶段运行得更快

---

阅读本文以更好地了解如何调整Tez:

感谢您的回答。无法使用hive.vectorized.execution.enabled，因为我的数据不是ORC格式。它是Avro格式的。检查hive.cbo.enable无法使用，因为我知道Cloudera 5.3.3中没有配置单元版本0.13.1Tez:@vijayinani使用MR的映射器设置。对于Tez和MR.@leftjoin来说，reducer的配置都是有效的。感谢您的回答，我正在运行查询以删除重复的2.4亿条记录，有没有办法决定我们应该为-mapreduce.input.fileinputformat.split.maxsize和hive.exec.reducers.bytes.per.reducer使用什么值