先看一道某互联网公司的面试题:
题目描述
计算每个省份的买家数的sq代码如下:
select
province
,count(distinct buyer_id)
from orders
where dt = '20211012'
group by province
假设 orders表很大,每天有5千万订单,这个代码会有哪些问题,应该如何处理或者改写代码?
解答:这种写法逻辑上没问题,而它的底层引擎是mapreduce,是分布式计算的,但是在实际业务中如果数据量过大,相同重复的key过多的情况,所以自然会出现数据倾斜这种分布式计算的典型问题,这可能会导致某一个reduce处理的时间过长,如果换成这样的写法: