hive调优_解决数据倾斜

小表与大表JOIN

小表与大表JOIN
小表与大表Join时容易发生数据倾斜，表现为小表的数据量比较少但key却比较集中，导致分发到某一个或几个reduce上的数据比其他reduce多很多，造成数据倾斜。

优化方法：使用Map Join将小表装入内存，在map端完成join操作，这样就避免了reduce操作。有两种方法可以执行Map Join：

(1) 通过hint指定小表做MapJoin
 select
    /*+ MAPJOIN(time_dim) */ count(*)
 from
 store_sales 
 join time_dim 
 on ss_sold_time_sk= t_time_sk;
 
(2) 通过配置参数自动做MapJoin

大表与大表JOIN

大表与大表JOIN

大表与大表Join时，当其中一张表的NULL值（或其他值）比较多时，容易导致这些相同值在reduce阶段集中在某一个或几个reduce上，发生数据倾斜问题。
优化方法：
(1) 将NULL值提取出来最后合并，这一部分只有map操作；非NULL值的数据分散到不同reduce上，不会出现某个reduce任务数据加工时间过长的情况，整体效率提升明显。这种方法由于有两次Table Scan 会导致map增多。

SELECT 
    a.user_Id,
    a.username,
    b.customer_id
FROM 
    user_info a
LEFT JOIN 
    customer_info b
ON a.user_id = b.user_id
where  a.user_id IS NOT NULL
# union All：对两个结果集进行并集操作，包括重复行，不进行排序；    
UNION ALL
SELECT 
    a.user_Id,
    a.username,
    NULL
FROM 
    user_info a
WHERE a.user_id IS NULL


(2) 在Join时直接把NULL值打散成随机值来作为reduce的key值，不会出现某个reduce任务数据加工时间过长的情况，整体效率提升明显。这种方法解释计划只有一次map，效率一般优于第一种方法。
SELECT 
    a.user_id,
    a.username,
    b.customer_id
FROM 
    user_info a
LEFT JOIN customer_info b
ON
CASE WHEN a.user_id IS NULL
THEN CONCAT ('dp_hive', RAND())
ELSE a.user_id  END=b.user_id;

GROUP BY 操作

Hive做group by查询，当遇到group by字段的某些值特别多的时候，会将相同值拉到同一个reduce任务进行聚合，也容易发生数据倾斜。

优化方法：

(1) 开启Map端聚合

当设定hive.groupby.skewindata为true时，生成的查询计划会有两个MapReduce任务。
在第一个MapReduce 中，map的输出结果集合会随机分布到 reduce 中， 每个 reduce 做部分聚合操作，这样处理之后，相同的 Group By Key 有可能分发到不同的 reduce 中，从而达到负载均衡的目的。

在第二个 MapReduce 任务再根据第一步中处理的数据按照Group By Key分布到reduce中，（这一步中相同的key在同一个reduce中），最终生成聚合操作结果。

COUNT(DISTINCT) 操作

当在数据量比较大的情况下，由于COUNT DISTINCT操作是用一个reduce任务来完成，这一个reduce需要处理的数据量太大，就会导致整个job很难完成，这也可以归纳为一种数据倾斜。

优化方法：将COUNT DISTINCT使用先GROUP BY再COUNT的方式替换。例如：

select 
count(id) 
from
(
select 
    id 
from
    bigtable 
group by id
) a;

因此，count distinct的优化本质上也是转成group by操作。

参考：https://mp.weixin.qq.com/s?__biz=MzUxOTU5Mjk2OA==&mid=2247485763&idx=2&sn=a711ab3468b727f8d6bb64c871365034&chksm=f9f60424ce818d32b517e375c95745fc6c1774829b82e09ff39f983a546f8cbd4234c90c848d&mpshare=1&scene=1&srcid=031954dgAJBEIZbIXCDYnwnP&sharer_sharetime=1584580832759&sharer_shareid=bc83e36774dfedaf1b723f4dc4163311&key=61c257cd8ca493f96ca99048dcd2f455930c681a9daa85d18ee71f589be8c97e66875b3c146ace43a9409eec28f1690243d4b4f85922e0039db99c3b3eb67a3ec9f06816ca4d1cd3c3bfbdee350013b3&ascene=1&uin=MjMzMTY4OTI2MQ%3D%3D&devicetype=Windows+10&version=62080079&lang=zh_CN&exportkey=AV5FnLheevj4KZ9UT1UO5bI%3D&pass_ticket=kT%2B4Tx3uVd5EC1PJYIxh1%2BOpBTBANXMg2VkGu%2BdWU2WFImXT1E%2FHbbqNx82Bq2%2B%2F