hive数据倾斜的原因和解决方法

1、数据倾斜表现：

任务执行时，有1个或几个任务的进度长时间维持在99%，导致任务无法结束。

2、数据倾斜类型和解决方案

（1）join 倾斜

•  大小表join

使用map join让小的维度表（1000条以下的记录条数） 先进内存。在map端完成reduce。

• 大表Join大表

空值：把空值的key变成一个字符串加上随机数，把倾斜的数据分到不同的reduce上，由于null值关联不上，处理后并不影响最终结果。

数据量过大的key值：分成两部分分别join，然后union all到一起。

（2）groupby 倾斜

• hive.map.aggr = true    // Map 端部分聚合，相当于Combiner；
• hive.groupby.skewindata=true    //

有数据倾斜的时候进行负载均衡，当选项设定为 true，生成的查询计划会有两个 MR Job。第一个 MR Job 中，Map 的输出结果集合会随机分布到 Reduce 中，每个 Reduce 做部分聚合操作，并输出结果，这样处理的结果是相同的 Group By Key 有可能被分发到不同的 Reduce 中，从而达到负载均衡的目的；第二个 MR Job 再根据预处理的数据结果按照 Group By Key 分布到 Reduce 中（这个过程可以保证相同的 Group By Key 被分布到同一个 Reduce 中），最后完成最终的聚合操作。

• 使用两段聚合

两阶段聚合指的是先局部聚合再全局聚合。局部聚合时候给每个key值加上随机前缀进行打散，原本相同的key值会变成不同的新key值，便可以让原来由一个task处理的数据根据加上随机前缀后的新key值分散到多个Task上做聚合，从而缓解单个task处理数据量过多的问题。再去除随机前缀做全局聚合，既可以得到最终结果。
 

（3）count distinct 倾斜

count distinct时，将值为空的情况单独处理，如果是计算count distinct，可以不用处理，直接过滤，在最后结果中加1。如果还有其他计算，需要进行group by，可以先将值为空的记录单独处理，再和其他计算结果进行union。