Hive数据倾斜的刨析和解决

1.Hive Sql执行原理

  首先我们执行的一个个Hive Sql,他是怎么执行的呢？ （https://blog.csdn.net/Mirror_w/article/details/89461885这里有详细原理详解）

1.首先客户端Client，提交一个Sql查询任务 

2.客户端通过Thrift Srever服务与Driver进行通信，将执行任务发送给Driver驱动

3.Driver驱动会将Sql同过解析器进行解析，解析成一个逻辑执行计划，然后与源数据库进行通信，比如提交一个（select * from student）,会执行from后面的表明，拿着student去元数据库中找这个student是否存在，如果不存在直接抛异常信息。

如果存在返回表的元数据信息

4.Driver拿到student的元数据信息之后，进行查询优化，将数据返回（这是简单的select * from 表明这种任务，不会转成MR），

5.如果是复杂的查询，比如 select sum(1) from student1 left join score on a.id=b.id， 这样的任务会将Sql通过解析器解析成逻辑执行计划，然后由优化器解析成查询计划树，然后最终转成MR任务，去后台跑一个MR任务。

6.MR任务完成后会将结果发送给Driver，Driver将结果数据发送给Client。

2.优化MR

由Hive Sql执行原理可知，优化Hive Sql，归根结底还是优化MR。

1.业务逻辑的优化

在不影响业务逻辑的前提下，避免使用重复子查询，重复使用select查询，可以线将多次依赖的数据，储存成中间表。或者临时表。

2.数据优化

造成数据倾斜，大多数是key值分布不均匀或者小文件过多，首先在不影响业务逻辑的前提的下，过滤掉造成数据倾斜的key或者空值。对于小文件过多的原因，首先可以在落表的时候将小文件进行合并（当然原表是自己落地的话）。其次小文件过多可以提高并行度，当然可以在map端进行参数优化。

3.参数优化

1）合并小文件

set hive.merge.mapfiles=true     //map端进行小文件合并

set hive.map.aggr=true //map端进行聚合

set hive.groupby.skewindata=true (默认关闭) //有数据倾斜时进行负载均衡机制

2)设置task个数

set hive.map.tasks //设置map端task的个数

set hive.mappred.reduce.tasks //设置reduce端task的个数

3)join优化

小表 join 大表   //将小表加载到内存去join大表

使用mapjoin将小表加载的内存