小表Join大表
把key相对分散,并且数据量小的表放在join左边,这样可以有效减少内存溢出错误发生的几率。
但是新版的hive已经对大小表join进行了优化,hive会自己检测大小表。
准备三个表,小表10万数据,大表100万数据以及承载join结果的表。
--创建大表
create table bigtable(
id bigint,
time bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url string
)
row format delimited fields terminated by '\t';
--创建小表
create table smalltable(
id bigint,
time bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url string
)
row format delimited fields terminated by '\t';
--创建 join 后表的语句
create table jointable(
id bigint,
time bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url string
)
row format delimited fields terminated by '\t';
导入数据
load data local inpath '/usr/hdk/data/bigtable' into table bigtable;
load data local inpath '/usr/hdk/data/smalltable' into table smalltable;
关联查询
insert
overwrite
table
jointable
select
b.id,
b.time,
b.uid,
b.keyword,
b.url_rank,
b.click_num,
b.click_url
from
smalltable s
left join
bigtable b
on
b.id = s.id;
Time taken: 26.644 seconds
大概要27S。
关闭hive默认做的表优化,情况表数据。
set hive.auto.convert.join = false;
truncate table jointable;
再次执行插入。
Time taken: 30.149 seconds
大概要30S,多用了10%左右的时间。
使用大表join小表的话也差不多,因为已经默认优化了就不再讨论。
大表join大表
准备两个大表,一个id自增的100万数据,另一个是id随机为空的100万数据。
--创建自增大表
create table ori(
id bigint,
time bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url string
)
row format delimited fields terminated by '\t';
--创建小表
create table nullidtable(
id bigint,
time bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url string
)
row format delimited fields terminated by '\t';
--创建 join 后表的语句
create table jointable(
id bigint,
time bigint,
uid string,
keyword string,
url_rank int,
click_num int,
click_url string
)
row format delimited fields terminated by '\t';
导入数据
load data local inpath '/usr/hdk/data/ori' into table ori;
load data local inpath '/usr/hdk/data/nullid' into table nullidtable;
insert
overwrite
table
jointable
select
n.*
from
nullidtable n
left join
ori o
on
n.id = o.id;
可以发现发生了很严重的数据倾斜。
然后过滤空id。
insert
overwrite
table
jointable
select
n.*
from
(select * from nullidtable where id is not null ) n
left join
ori o
on
n.id = o.id;
数据倾斜就消失了。
除了过滤的方式,还有另外一种方式:
insert
overwrite
table
jointable
select
n.*
from
nullidtable n
full join
ori o
on
case when
-- 增加了一个判断,只有n.id不为null,才能与o表进行join
n.id is null
then
concat('hive', rand())
else
n.id end = o.id;