【Hive】数据倾斜原因及解决方法汇总

（1）数据倾斜根本原因：由于数据分布不均匀，导致map端读取的数据分布不均匀（数据长尾分布），从而使得map处理的数据量差异过大。
（2）解决思路：Hive是分阶段执行的，map处理数据量的差异取决于上一个stage的reduce输出，所以解决的根本方法就是如何将数据均匀的分布到各个reduce中

（3）出现数据倾斜的主要操作：
（a）join：使用join时，一个表较小，但是key值集中，使得数据在分发到各个reduce中的时候，某一个或几个reduce的数据远大于平均值
（b）join：大表与大表join时，分桶的判断字段0值或空值太多，而这些数据都会到一个reduce中处理，速度很慢
（c）group by：group by的维度太少，某值的数量太多（如性别sex，只有男和女，group by时只有两个维度，每个维度的数据量都很大），从而导致处理某个值数据的reduce处理非常耗时
（d）count distinct：某特殊值较多，数据将会在一个reduce中处理，处理此特殊值的reduce耗时

（4）原因概况：
（a）key值分布不均匀
（b）数据自身问题
（c）SQL语句问题

（5）数据倾斜表现：任务进度长时间维持在99%（或100%），查看任务监控页面，发现只有少量（1个或几个）reduce子任务未完成。因为其处理的数据量和其他reduce差异过大。
单一reduce的记录数与平均记录数差异过大，通常可能达到3倍甚至更多。 最长时长远大于平均时长。

（6）数据倾斜解决方法：
（a）参数调节：hive.map.aggr = true 在map端部分聚合
（b）参数调节：hive.groupby.skewindata=true 数据倾斜时负载均衡
（c）sql语句调节：join时选择key值分布较均匀的表作为驱动表，同时做好列裁剪和分区裁剪，以减少数据量
（d）sql语句调节：大小表join时，小表先进内存
（e）sql语句调节：大表join大表时，把key值为空的key变成一个字符串加上随机数，把倾斜的数据分到不同的reduce上，由于null值关联不上，因此处理后不影响最终结果

参考文献
https://www.cnblogs.com/ggjucheng/archive/2013/01/03/2842860.html
https://www.jianshu.com/p/deb4a6f91d3b
https://www.cnblogs.com/qingyunzong/p/8847597.html