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
上一篇: Hive 常见的数据倾斜及调优技巧
下一篇: CDH6.2.1集成flink1.9.0