HIVE 資料傾斜

解決資料傾斜，歸根結底是使map的輸出資料更均勻的分布到reduce中去。

1、join

（1）其中乙個表較小，但是key集中。分發到某乙個或幾個reduce上的資料遠高於平均值

（2）大表與大表，但是分桶的判斷欄位0值或空值過多。這些空值都由乙個reduce處理，非常慢

2、group by

group by 維度過小，某值的數量過多。導致處理某值的reduce非常耗時

3、count（distinct）

某特殊值過多，處理此特殊值的reduce耗時

hive.map.aggr=

true

map 端部分聚合，相當於combiner

hive.groupby.skewindata=

true

由於group by 引起資料傾斜的時候進行負載均衡。當選項設定為 true，生成的查詢計畫會有兩個 mr job。第乙個 mr job 中，map 的輸出結果集合會隨機分布到 reduce 中，每個 reduce 做部分聚合操作，並輸出結果，這樣處理的結果是相同的

group

bykey 有可能被分發到不同的 reduce 中，從而達到負載均衡的目的；第二個 mr job 再根據預處理的資料結果按照 group

bykey 分布到 reduce 中（這個過程可以保證相同的 group

bykey 被分布到同乙個 reduce 中），最後完成最終的聚合操作。

set hive.optimize.skewjoin=true;

如果是join 過程出現傾斜，應該設定為true

（1）空值產生的資料傾斜

場景：如日誌中的user_id有些為空（很多），如果取其中的 user_id 和使用者表中的user_id 關聯，會碰到資料傾斜的問題。

解決方案1：user_id為空的不參與關聯

select

*from

loga

join

users b

on a.user_id

isnot

null

and a.user_id

= b.user_id

union

allselect

*from

loga

where a.user_id

isnull;

解決方案2：賦與空值新的key值（隨機數）

select
*from
loga
left
outer
join
users b
oncase
when a.user_id
isnull
then concat(『hive』,rand() ) else a.user_id
end= b.user_id;

結論：方法2比方法1效率更好，不但io少了，而且作業數也少了。解決方法1中 log讀取兩次，jobs是2。解決方法2 job數是1 。這個優化適合無效 id (比如 -99 , 』』, null 等) 產生的傾斜問題。把空值的 key 變成乙個字串加上隨機數，就能把傾斜的資料分到不同的reduce上 ,解決資料傾斜問題。

（2）不同資料型別關聯產生資料傾斜

場景：使用者表中user_id欄位為int，log表中user_id欄位既有string型別也有int型別。當按照user_id進行兩個表的join操作時，預設的hash操作會按int型的id來進行分配，這樣會導致所有string型別id的記錄都分配到乙個reducer中。

解決方案：把數字型別轉換成字串型別

select
*from
users a
left
outer
join
logs b
on a.usr_id =
cast(b.user_id
as string)

（3）mapjoin

mapjion會把小表全部讀入記憶體中，在map階段直接拿另外乙個表的資料和記憶體中表資料做匹配，由於在map階段進行了join操作，省去了reduce執行，效率也會高很多。這樣就不會由於資料傾斜導致某個reduce上落資料太多而失敗。

適用條件：關聯操作中有一張表非常小（<1000行）

需要做不等值join操作（a.x < b.y 或者 a.x like b.y等）

例1：關聯操作中有一張表非常小

select f.a, f.b from a t join b f on ( f.a=t.a and f.ftime=

20110802

) 該語句中b表有30億行記錄，a表只有100行記錄，而且b表中資料傾斜特別嚴重，有乙個key上有15億行記錄，在執行過程中特別的慢，而且在reduece的過程中遇有記憶體不夠而報錯。

改進：select /*+ mapjoin(a)*/ f.a, f.b from a t join b f on ( f.a=t.a and f.ftime=20110802)

例2：需要做不等值join操作

select a.a, a.b from a join b where a.a>

b.a將不等條件寫在where中，那麼mapreduce過程中會進行笛卡爾積，執行效率特別低。

改進：select

/*+ mapjoin(a)

*/ a.a, a.b from a join b where a.a>b.a

例3：小表不小不大

select
*from
loga
left
outer
join
users b
on a.user_id
= b.user_id
;users 表有 600w
+ 的記錄，把 users 分發到所有的 map 上也是個不小的開銷，而且 map join 不支援這麼大的小表。如果用普通的 join
，又會碰到資料傾斜的問題。
解決方案：
select
/*+mapjoin(x)*/*
from
loga
left
outer
join
( 
select
/*+mapjoin(c)
*/d.*
from ( select
distinct
user_id
from
log) c
join
users d
on c.user_id
= d.user_id
) x 
on a.user_id
= b.user_id;

HIVE 資料傾斜

Hive資料傾斜

hive資料傾斜

hive 資料傾斜介紹

HIVE 資料傾斜

Hive資料傾斜

hive資料傾斜

hive 資料傾斜介紹

相關推薦