经典的《Hadoop权威指南》中有这样的一幅图：
清晰的反映了Hadoop中MR的执行过程，map端对文件切割输入，reduce端对数据归并输出，shuffle作为MR的心脏，对map端输入的数据进行缓存、分区、排序，保证reduce的数据是有序的。
ETL的执行效率来自两方面的制约：一是，SQL逻辑的复杂度；二是，资源的大小及使用效率。提升ETL的执行效率需要我们写出精炼优质的SQL代码，也需要掌握调参充分高效的利用集群资源。
常见的ETL问题：
总结：数据量大，小文件多，数据倾斜
一，数据量大：建议核查SQL逻辑，限制分区，过滤冗余数据，拆解任务分批次执行。参数设置对大数据量进行分区裁剪、列裁剪、谓词下推
二，小文件多：小文件过多造成执行过程中的拉取文件的大量随机读，带来任务延迟。
三，数据倾斜：数据倾斜是最常见的问题之一，严重制约了ETL的执行效率，如下提供了常用的几种优化方案，仅供参考
1，可以舍弃热点数据，稀疏的key数据与密集的key数据分开计算，避免木桶效应，拖长任务执行时长。
2，mapjoin实现广播的小表链接大表，来提升链接的效率。
3，大表热点数据在key上拼接0～n的前缀/后缀，同时小表冗余扩大n倍数据，保证join到对应键值，然后去掉前缀/后缀。
4，a left join b 可以转换为：b left join a 加 union，基于维度对指标进行聚合函数封装。
5，谨慎使用笛卡尔积：需要过滤链接条件中的NULL值：NULL不参与关联或者NULL分配随机的key值。
6，多阶段聚合：通过过局部聚合，层层递进的聚合方式来完成全局聚合。
四，万能参数配置
代码语言：javascript复制set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;
set hive.exec.parallel=true;
set mapred.max.split.size=64000000;
set mapred.min.split.size.per.node=64000000;
set mapred.min.split.size.per.rack=64000000;
set hive.exec.reducers.bytes.per.reducer=256000000;
set hive.exec.reducers.max=2000;
set hive.merge.mapredfiles=true;
set hive.merge.smallfiles.avgsize=128000000;
set hive.merge.size.per.task=128000000;
