kayla的博客

原创 hive数据倾斜优化

在谈及数据倾斜的问题时，首先会想什么事数据倾斜？简而言之就是由于数据分布不均匀，造成数据大量的集中到一点，造成数据热点。主要表现：任务进度长时间维持在 99%或者 100%的附近，查看任务监控页面，发现只有少量 reduce子任务未完成，因为其处理的数据量和其他的 reduce 差异过大。单一 reduce 处理的记录数和平均记录数相差太大，通常达到好几倍之多，最长时间远大于平均时长。 容易数据...