Hive Mapper 本身是支持并行處理的。在 Hive 查詢中，Mapper 是第一個階段，負責將大型輸入文件切分成多個小塊（通常是一個 Map 任務處理一個文件），然后將這些小塊作為 Map 輸出的鍵值對傳遞給 Reducer。為了實現并行處理，您需要根據集群的資源情況和數據量來合理配置 Map Task 的數量。
Hive 默認會使用 Map Task 的默認配置，您可以通過調整以下參數來優化 Map Task 的并行度：
mapreduce.job.maps: 這個參數用于設置 Map Task 的數量。您可以根據集群的資源情況和數據量來調整這個值。增加 Map Task 的數量可以提高并行處理能力，但也會增加集群的負擔。
mapreduce.input.fileinputformat.split.maxsize 和 mapreduce.input.fileinputformat.split.minSize: 這兩個參數用于控制輸入文件的分片大小。適當調整這兩個參數可以幫助更好地控制 Map Task 的并行度。
yarn.nodemanager.resource.memory-mb 和 yarn.nodemanager.resource.cpu-vcores: 這兩個參數用于設置 YARN 節點管理器的資源限制。確保為 Map Task 分配足夠的內存和 CPU 資源，以便它們可以高效地運行。
請注意，為了充分利用并行處理的優勢，您還需要確保 Reducer 的數量也足夠多，以便在 Map Task 完成之后能夠快速地合并結果。此外，優化 Hive 查詢本身（例如，使用合適的連接類型、過濾條件等）也可以提高查詢性能。
