Hive解决数据倾斜方法

根本原因：数据过于集中。解决的基本思路：打散。

容易产生数据倾斜的几种情况：count distinct、group by key、Join。

1. count distinct ：

     数据量小的时候无所谓，数据量大的情况下，由于COUNT DISTINCT操作需要用一个Reduce Task来完成，这一个Reduce需要处理的数据量太大，就会导致整个Job很难完成，一般COUNT DISTINCT使用先GROUP BY再COUNT的方式替换。

1. group by key：

     两种解决方法：第一种解决方案1）设置参数：这里有两个参数。i）开启map端聚合。
           ii）有数据倾斜的时候开启负载均衡。开启了负载均衡以后，会生成两个mr，第一个mr会打散数据，也就是随机分发数据，进行局部聚合；第二个mr根据group by key的逻辑完成全局聚合。

2）手动优化sql：

两阶段聚合，加盐局部聚合，去盐全局聚合。（利用random构造辅助列，先group by  key,random,进行局部聚合；再group by key完成全局聚合）。

1. Join：

       查看日志找到倾斜的key。

1. 如果倾斜的key是脏数据，直接过滤掉；
2. 增加reduce个数；
3. 如果两个表join的时候，一个表为小表，可以用mapjoin做。
4. 如果是两个大表join，并且倾斜的 key 有实际的意义，可以将它们单独抽取出来，对应的行单独存入临时表中，然后打上一个较小的随机数前缀（比如0~9），最后再进行聚合。
5. 设置hive.optimize.skewjoin=true。