Hive SQL使用Skewed方式建表解决数据倾斜小记

Skewed Table可以提高有一个或多个列有倾斜值的表的性能，通过指定经常出现的值（严重倾斜），hive将会在元数据中记录这些倾斜的列名和值，在join时能够进行优化。若是指定了STORED AS DIRECTORIES，也就是使用列表桶（ListBucketing），hive会对倾斜的值建立子目录，查询会更加得到优化。

创建表是指定为 Skewed Table，如下例子，STORED AS DIRECTORIES是可选择的，它指定了使用列表桶（ListBucketing）。

单倾斜列建表

CREATE TABLE list_bucket_single 
(
	key STRING, 
	value STRING
)
SKEWED BY (key) ON (1,5,6) 
[STORED AS DIRECTORIES];

你也可以使用多个列创建Skewed Table，如下使用两列。

多倾斜列建表

CREATE TABLE list_bucket_multiple 
(
	col1 STRING,
 	col2 int,
 	col3 STRING
)
  SKEWED BY (col1, col2) ON (('s1',1), ('s3',3), ('s13',13), ('s78',78)) 
  [STORED AS DIRECTORIES];

使用alter table修改表倾斜信息

可以使用alter table语句来对已创建的表修改倾斜信息。

ALTER TABLE <T> (SCHEMA) SKEWED BY  (keys) ON ('c1', 'c2')  [STORED AS DIRECTORIES];

这个语句仅支持表级别，不支持分区级别。它可以将一个普通表转为倾斜表，也可以修改倾斜表的倾斜列名称和值。它会影响到之后创建的分区，对alter语句之前的分区无影响。

关闭倾斜特征

ALTER TABLE <T> (SCHEMA) NOT SKEWED;

关闭倾斜特征，使一个表成为非倾斜表，同样会影响到之后创建的分区，对alter语句之前的分区无影响。

关闭list bucketing

关闭list bucketing，表成为普通的倾斜表。

ALTER TABLE <T> (SCHEMA) NOT STORED AS DIRECTORIES;

修改list bucketing倾斜值的存储位置映射

修改list bucketing倾斜值的存储位置映射。

ALTER TABLE <T> (SCHEMA) SET SKEWED LOCATION (key1="loc1", key2="loc2");

Skewed Join Optimization

两个大数据表的连接由一组MapReduce作业完成，它们首先根据连接键对表进行排序，然后将它们连接起来，mapper将相同键的行发送到同一个reduce。

假设表A id字段有值1，2，3，4，并且表B也含有id列，含有值1，2，3。我们使用如下语句来进行连接。

select
   A.id 
from A 
join B 
  on A.id = B.id

将会有一组mappers读这两个表并基于连接键id发送到reducers，假设id=1的行分发到Reducer R1，id=2的分发到R2等等，这些reducer对A和B进行交叉连接，R4从A得到id=4的所有行，但是不会产生任何结果。
现在我们假定A在id=1上倾斜，这样R2和R3将会很快完成但是R1会执行很长时间，因此成为job的瓶颈。若是用户知道这些倾斜信息，这种瓶颈可以使用如下方法人工避免：
将查询分为两个部分：

select 
   A.id 
from A 
join B 
  on A.id = B.id 
where A.id <> 1;

select 
   A.id 
from A 
join B 
  on A.id = B.id 
where A.id = 1 
  and B.id = 1;

第一个查询没有倾斜数据将会很快的完成，如果我们假定表B中只有少量的B.id=1的行，能够直接加载到内存中，通过将B的数据存储到内存中的哈希表中，join将会高效的完成，因此可以再mappper端进行连接，而不用reduce，效率会高很多，最后合并结果。
以上过程有如下缺点：
**** 1.表A和表B需要分别读和处理两次；
**** 2.结果需要合并；
**** 3.需要人工的处理倾斜数据。

hive为了避免上面的操作，在处理数据是对倾斜值进行特殊处理，首先读表B并且存储B.id=1的数据到内存的哈希表中，运行一组mappers来读取表A并做以下操作：

• 若id为1，使用B的id=1的哈希表来计算结果
• 对于其他值，发送到reducer端来join，这个reduce也会从B的mapper中得到对应需要连接的数据。

使用这种方法，最终我们只读取B两次（存储倾斜值数据到哈希表和其他值map/reudce，若是合并为读一遍的话，A的map要等表B全处理完才能运行，就完全串行了，首先只处理倾斜数据到哈希表中，然后再B，A map并行，效率较高。我是这样理解的），并且A中的倾斜数据在mapper中进行连接，不会被发送到reducer，其他的键值通过map/reduce。
要注意到以上假设B中的含有A中倾斜值的行比较少，能够载入到内存中。
若是使用ListBucketing对倾斜值单独存储，会有更好的性能。在读倾斜的数据到内存中时可以指定到倾斜目录下的数据。

ListBucketing

目标

有如下问题：存在许多表是这种格式

create table T
(	a, 
	b, 
	c, 
	....., 
	x
) 
partitioned by (ds);

但是一下查询需要更加高效：

select ... 
from T 
where x = 10;

字段X中含有倾斜数据，一般情况下x的值中大约有10个值有重度倾斜，其他值基数很小，当然，每天倾斜的X的值可能改变，上边的文件可按照以下方法解决。

Basic Partitioning

可以将x的所有值作为分区

create table T
(
	a,
	b,
	c, 
	.......
) 
partitioned by (ds, x)

但是这种办法会产生大量的目录，产生大量的文件，使用时需要注意小文件问题。

List Bucketing

上边方法提到将含有倾斜值得列作为分区存储，但是可能产生大量的目录，为什么不把列值不倾斜的放在一起呢，将每个倾斜的值单独存放一个目录，于是有了List Bucketing。这个映射在表或分区级别的Metastore中维护。倾斜键的列表存储在表级别中，这个列表可以由客户端周期的提供，并且在新的分区载入时可以被更新。
如下例子，一个表含有一个x字段倾斜值的列表：6，20，30，40。当一个新的分区载入时，它会创建5个目录（4个目录对应x的4个倾斜值，另外一个目录是其余值）。这个表的数据被分成了5个部分：6，20，30，40，others。这跟上一节介绍的分桶表类似，桶的个数决定了文件的个数。倾斜键的整个列表存储在每个表或者分区中。
当使用一下查询时，hive编译器会仅仅使用x=30对应的目录去运行map-reduce。

select ... 
from T 
where ds = '2012-04-15' 
  and x = 30;

若是查询是x=50，则会使用x=others对应的目录去运行map-reduce。

select ... 
from T 
where ds = '2012-04-15' 
  and x = 50;

这种方法在一下条件下是很有效的：

• 每个分区的倾斜键占总数据的一大部分，在上边的例子中，如果倾斜的键（6，20，30，40）只占一小部分数据（比如20%）,那么在查询x=50时依然需要扫描80%的数据。
• 每个分区倾斜值得数据不能够太大，因为这个倾斜值列表存在在元数据库中，在元数据库中为每个分区存储100w个倾斜键是没有意义的。
  这种方法也可被扩展到含有多个列产生的倾斜键，例如我们想优化一下查询

select ... 
from T 
where x = 10 
  and y = 'b';

扩展以上的方法，对于（x，y）每个倾斜值,也按照上边方式单独存储，因此元数据库会有以下映射：(10, ‘a’) -> 1, (10, ‘b’) -> 2, (20, ‘c’) -> 3,(others) -> 4。
因此可直接找到2对应的目录，减少要处理的数据。
同时一下查询也会有一定程度的优化：

select ... 
from T 
where x = 10;

select ... 
from T 
where y = 'b';

以上两个语句在执行的过程中会裁剪掉一部分数据，例如，对x=10的查询hive编译器可以裁剪掉（20，c）对应的文件，对于y=’b’，(10, ‘a’)和(20, ‘c’)对应的文件会被裁剪掉，一定程度能够减少扫描的数据量。这种方法不适用于一下场景：

• 倾斜键数目非常多，元数据规模问题
• 许多情况下，倾斜键由多个列组成，但是在查询中，没有使用到倾斜键中的那些列。

Skewed Table vs. List Bucketing Table

• Skewed Table是一个表它含有倾斜的信息。
• List Bucketing Table是Skewed Table，此外，它告诉hive使用列表桶的特点：为倾斜值创建子目录。
  以下说明两者的存储区别：

create table t1 
(x string)
skewed by (x) on (‘a’, ‘b’) 
partitioned by dt 
location '/user/hive/warehouse/t1';

create table t2 
(x string) 
skewed by (x) on (‘a’, ‘b’) 
STORED AS DIRECTORIES 
partitioned by dt 
location '/user/hive/warehouse/t2';

两者存储的形式如下所示：

/user/hive/warehouse/t1/dt=something/data.txt
/user/hive/warehouse/t2/dt=something/x=a/data.txt
/user/hive/warehouse/t2/dt=something/x=b/data.txt
/user/hive/warehouse/t2/dt=something/default/data.txt

List Bucketing Validation

由于列表桶的子目录特点，它不能够与一些特征共存。

(1)DDL

列表桶与以下共存会抛出编译错误：

normal bucketing (clustered by, tablesample, etc.)
external table
“load data …”
CTAS (Create Table As Select) queries

(2)DML

与一下DML操作共存也会跳出错误：

“insert into”
normal bucketing (clustered by, tablesample, etc.)
external table
non-RCfile due to merge
non-partitioned table