什么是数据倾斜
任务进度长时间维持>99%,且任务未完成的情况
什么原因
某个reduce的输入量 >> 其他reduce数据的输入量
解决办法
- JOIN的情况下
- 大表join小表:小表在前大表在后但是新版Hive已经对此进行了优化,所以在前在后差距不大
- 大表join大表:空Key解决:如果是异常数据使用where过滤,不是异常数据就转换key值可以使用随机赋值,这样可以均匀的分布在reducer上
- 尽量使用MapJoin把小表全部加载到内存在map端执行,避免reducer处理MapJoin工作机制
- 避免使用笛卡尔积,join的时候没有on条件或者使用无效on条件hive只能使用一个reducer完成
- Group By:Map 阶段同一 Key 数据分发给一个 reduce,当一个 key 数据过大时就倾斜了
解决办法:可以在map端先进行部分聚合,Reduce得出最后结果 - 去重统计情况
COUNT DISTINCT 使用group by 再 count代替