hive产生数据倾斜原因及优化的方案

1.产生原因

1.key分布不均匀
2.业务数据本身的特性
3.SQL语句造成数据倾斜

2.解决办法

1.hive设置hive.map.aggr=true和hive.groupby.skewindata=true

2.有数据倾斜的时候进行负载均衡，当选项设定为true,生成的查询计划会有两个MR Job。
第一个MR Job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，并输出结果，这样处理的结果是相同Group By Key有可能被分发到不同的Reduce中，从而达到负载均衡的目的；第二个MR Job在根据预处理的数据结果按照 Group By Key 分布到Reduce中(这个过程可以保证相同的 Group By Key 被分布到同一个Reduce中)，最后完成最终的聚合操作。

3.SQL语句调整:
1.选用join key 分布最均匀的表作为驱动表。做好列裁剪和filter操作，以达到两表join的时候，数据量相对变小的效果。
2.大小表Join： 使用map join让小的维度表（1000条以下的记录条数）先进内存。在Map端完成Reduce。
3.count distinct大量相同特殊值：count distinct时，将值为空的情况单独处理，
如果是计算count distinct，可以不用处理，直接过滤，在做后结果中加1。如果还有其他计算，需要进行group by，可以先将值为空的记录单独处理，再和其他计算结果进行union.
4.大表Join大表：把空值的Key变成一个字符串加上一个随机数，
把倾斜的数据分到不同的reduce上，由于null值关联不上，处理后并不影响最终的结果。