分组策略:一个流定义分组的策略更好的传输到task里面去进行处理。常见的分组策略(shuffle grouping,fields grouping,all grouping)
随机分组(Shuffle Grouping)是最常用的流分组方式,它随机地分发元组到Bolt上的任务,这样能保证每个任务得到相同数量的元组。
fieldsGrouping,也就是按字段进行分组,相同的指定字段的值都会分到同一个组里面。
allGrouping: 将所有的 tuple 复制后分发给所有 bolt task。每个订阅数据流的 task 都会收到 tuple 的拷贝。
数据倾斜是指:mapreduce程序执行时,reduce节点大部分执行完毕,但是有一个或者几个reduce节点运行很慢,导致整个程序的处理时间很长,这是因为某一个key的条数比其他key多很多(有时是百倍或者千倍之多),这条key所在的reduce节点所处理的数据量比其他节点就大很多,从而导致某几个节点迟迟运行不完。Hive的执行是分阶段的,map处理数据量的差异取决于上一个stage的reduce输出,所以如何将数据均匀的分配到各个reduce中,就是解决数据倾斜的根本所在。
如果确认业务需要这样倾斜的逻辑,考虑以下的优化方案:
1)对于join,在判断小表不大于1G的情况下,使用map join(使数据更均匀的分布到reduce中去)
2)对于group by或distinct,设定 hive.groupby.skewindata=true