1、什么是数据倾斜
我们在用hive的时候,有时候跑一个简单的join语句,但是却跑了长时间,有的时候我们会觉得集群资源不够导致的,但是很大情况下就是出现了数据倾斜的情况。
在了解数据倾斜之前,一般有两种情况:
变量值很少:单个变量值的占比极大,常见的字段如性别,学历,年龄等。
变量值很多:单个变量值占比级小,常见的字段如收入,订单金额之类的。
数据倾斜:在mapreduce编程模型中十分常见,就是大量相同的key被partition分配到一个分区里。
2、数据倾斜的原因
当我们看任务进度长时间维持在99%或100%,查看任务监控页面就会发现只有少量(1个或几个)reduce子任务未完成,因为其处理的数据量和其reduce差异过大,这就数据倾斜的直接表现。
而导致这个原因,大致可以分为下面几点:
key分布不均匀
业务数据本身的特性。
建表时考虑不周。
某些sql语句本身就有数据倾斜
关键词 | 情形 | 后果 |
join | 基中一个表较小,但是key集中 | 分发到某一个或几个reduce上的数据远高于平均值 |
大表与小表,但是分桶的判断字段0或空值过程 | 这些空值由一个reduce处理,很慢 | |
group by | group by 维度过小,某值数据过多 | 处理某值的reduce十分耗时 |
count distinsct | 某特殊过多 | 处理此特殊的reduce耗时 |
hadoop计算框架的特点:
在了解如何避免数据倾斜之前,我们先来看看hadoop框架的特性:
大数据量不是大问题,数据倾斜是大问题。
jobs数比较多作业效率相对比较低,比如即使有几百万的表,如果多次关联多次汇总,产生十几个job,耗时很长。原因是map reduce作业初始化的时间是比较长的。
sum,count,max,min等udf自定义函数,不性数据倾斜问题,hadoop在map端汇总并优化,使用数据倾斜不成问题。
count(distinct),在数据量大的情况一下,效率较低,如果多count效率更低,因为count是按group by 字段分组,按distinct字段提成序,一般这种分布式是倾斜的。比如男uv,妇uv,如果按性别分组,分配2个reduce,每个reduce处理15亿数据。
优化的常用手段
说到优化手段:
首先要了解数据分布,自已动手解决数据倾斜问题是个不错的选择:
增加jvm内存,这适用于变量值非常少的情况,这种情况下,往往只能通过硬件手段来调优,增加jvm内存可以显著提高运行效率。
增加reduce个数:这适用于变量值非常多的情况,这种情况下最容易造成结果就是大量相同key被parttiion到一个分区,从而一个reduce执行大量的工作。
重新设计key:有一种方案是在map阶段时给key加上一个随机数,有了随机数的key就不会被大量的分配到同一个节点(小机率),待到reduce后再把随机数去掉即可。
使用combiner合并:combinner是在map阶段,reduce之前的一个中间阶段,在这个阶段可以选择性把大量的相同key数据先进行一个合并,可以看做local reduce,然后再交给reduce来处理,减轻了map端向reduce端发送的数据量(减轻了网络带宽),也减轻map和reduce端中间的shuffle阶段的数据拉取数据(hive.map.aggr=true)
设置合理的map reduce的task数,能有效提升性能(比如:10W+级别的计算,用160个reduce,那是相当的浪费,1个足够)
数据量较大的情况下,慎用count(distinct),count(distinct容易倾斜问题)
hive.groupby.skewindata=true
有数据倾斜时候负载均衡,当选项设定为true,生成查询计划会有两个mr job,第一个mr job中,map的输出结果集合随机分布到reduce中,每个reduce做部分聚合操作,并输出结果。这样处理结果是相同Group by key 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reduce中,最后完成最终的聚合操作。
sql语句调节:
如何join:
关于驱动表的选取,选用join key 分布最均匀的表作为驱动表。
做好列裁剪和filter操作,以达到两表做join ,数据量相对变小的效果。
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:
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,处理后并不影响结果。
count distinct大量相同特殊值:
将值为空的情况单独处理,如果计算count distinct,可以不处理,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 ,可以称将值为空的记录单独处理。再和其他计算结果进行union .
-
场景1:RAC常用(real application clusters的缩写,译为“实时应用集群”)
有一张user表,为卖家每天收入表,user_id,dt(日期)为key,属性有主营类目(cat),指标有交易金额,交易比数。每天要取每个user的主营类目在过去10天的总收入,总比数。
常规做法:取每个user_id最近一天的主营类目,存入临时表t1,汇总过去10天的总交易金额,交易比数,存入临时表t2,连接t1,t2,得到最终的结果。
优化做法:
SELECT user_id
, substr(MAX(concat(dt, cat)), 9) AS main_cat
, SUM(qty), SUM(amt)
FROM users
WHERE dt BETWEEN 20101201 AND 20101210
GROUP BY user_id;
场景2:空值产生的数据倾斜(最常见的现象)
日志中,常会有信息丢失的问题,比如全网日志中的 user_id,如果取其中的 user_id 和 bmw_users 关联,会碰到数据倾斜的问题。
解决方式1:user_id为空的不参与关联
SELECT *
FROM log a
JOIN bmw_users b
ON a.user_id IS NOT NULL
AND a.user_id = b.user_id
UNION ALL
SELECT *
FROM log a
WHERE a.user_id IS NULL;
解决方式2:赋与空值分新的key值
SELECT *
FROM log a
LEFT JOIN bmw_users b ON CASE
WHEN a.user_id IS NULL THEN concat(‘dp_hive’, rand())
ELSE a.user_id
END = b.user_id;
结论:方法2比方法1效率更好,不但io少了,而且作业数也少了。解决方法1 log表被读取了两次,jobs是2。这个优化适合无效 id (比如 -99 , ’’, null 等) 产生的倾斜问题。把空值的 key 变成一个字符串加上随机数,就能把倾斜的数据分到不同的reduce上 ,解决数据倾斜问题。
场景3:不同数据类型关联产生数据倾斜
一张表 s8_log,每个商品一条记录,要和商品表关联。但关联却碰到倾斜的问题。s8_log 中有字符串商品 id,也有数字的商品 id。字符串商品 id 类型是 string 的,但商品中的数字 id 是 bigint 的。问题的原因是把 s8_log 的商品 id 转成数字 id 做 Hash(数字的 Hash 值为其本身,相同的字符串的 Hash 也不同)来分配 Reducer,所以相同字符串 id 的 s8_log,都到一个 Reducer 上了。
解决方式:把数字类型转换成字符串类型
SELECT *
FROM s8_log a
LEFT JOIN r_auction_auctions b
ON a.auction_id = CAST(b.auction_id AS string);场景4:多表 union all 会优化成一个 job
推广效果表要和商品表关联,效果表中的 auction id 列既有商品 id,也有数字 id,和商品表关联得到商品的信息。
SELECT *
FROM effect a
JOIN (
SELECT auction_id AS auction_id
FROM auctions
UNION ALL
SELECT auction_string_id AS auction_id
FROM auctions
) b
ON a.auction_id = b.auction_id;
结论:这样子比分别过滤数字 id,字符串 id ,然后分别和商品表关联性能要好。这样写的好处:1个 MR 作业,商品表只读取一次,推广效果表只读取一次。把这个 sql 换成 MR 代码的话,map 的时候,把 a 表的记录打上标签 a ,商品表记录每读取一条,打上标签 t,变成两个<key,value> 对,<t,数字id,value>,<t,字符串id,value>。所以商品表的 HDFS(Hadoop Distributed File System) 读只会是一次。
场景5:消灭子查询内的 group by
原写法:
SELECT *
FROM (
SELECT *
FROM t1
GROUP BY c1, c2, c3
UNION ALL
SELECT *
FROM t2
GROUP BY c1, c2, c3
) t3
GROUP BY c1, c2, c3;
优化写法:
SELECT *
FROM (
SELECT *
FROM t1
UNION ALL
SELECT *
FROM t2
) t3
GROUP BY c1, c2, c3;
结论:从业务逻辑上说,子查询内的 group by 功能与外层的 group by 重复,除非子查询内有 count(distinct)。经过测试,并未出现 union all 的 hive bug,数据是一致的。MR 的作业数由3减少到1。t1 相当于一个目录,t2 相当于一个目录,对map reduce程序来说,t1,t2 可以做为 map reduce 作业的 mutli inputs。这可以通过一个 map reduce 来解决这个问题。Hadoop的计算框架,不怕数据多,怕作业数多。
场景6:消灭子查询内的count(distinct),max,min
原写法:SELECT c1, c2, c3, sum(pv)
FROM (
SELECT c1, c2, c3, COUNT(c4)
FROM t1
GROUP BY c1, c2, c3
UNION ALL
SELECT c1, c2, c3, COUNT(DISTINCT c4)
FROM t2
GROUP BY c1, c2, c3
) t3
GROUP BY c1, c2, c3;
这种我们不能直接union 再groupby,因为其中有一个表的操作用到了去重,这种情况,我们可以通过建立临时表来消灭这种数据倾斜问题。优化写法:
INSERT INTO t4
SELECT c1, c2, c3, COUNT(DISTINCT c4)
FROM t2
GROUP BY c1, c2, c3;
SELECT c1, c2, c3, SUM(pv)
FROM (
SELECT c1, c2, c3, COUNT(c4)
FROM t1
UNION ALL
SELECT *
FROM t4
) t3
GROUP BY c1, c2, c3;
场景7:两张大表join
有两张表,一张是用户访问日志表log,一张是用户表users,其中log表上T,user表也上G,如何每日做到快速连接呢?
解决方法:
SELECT *
FROM log a
LEFT JOIN (
SELECT d.*
FROM (
SELECT DISTINCT memberid
FROM log
) c
JOIN users d ON c.memberid = d.memberid
) x
ON a.memberid = b.memberid;
上面代码的意思,就是我们可以通过缩小主键的范围来达到减少表的连接操作,比如说限值某段时间,这样子,memberid就会有所减少了,而不是全量数据。
场景8:reduce的时间过长还是场景7的例子,假设一个memberid对应的log里有很多数据,那么最后合并的时候,也是十分耗时的,所以,这里需要找到一个方法来解决这种reduce分配不均的问题。
解决方法:
SELECT *
FROM log a
LEFT JOIN (
SELECT memberid, number
FROM users d
JOIN num e
) b
ON a.memberid = b.memberid
AND mod(a.pvtime, 30) + 1 = b.number;
解释一下,上面的num是一张1列30行的表,对应1-30的正整数,把users表膨胀成N份(基于倾斜程度做一个合适的选择),然后把log数据根据memberid和pvtime分到不同的reduce里去,这样可以保证每个reduce分配到的数据可以相对均匀。场景9:过多的where条件
有的时候,我们会写超级多的where条件来限制查询,其实这样子是非常低效的,主要原因是因为这个and条件hive在生成执行计划时产生了一个嵌套层次很多的算子。
解决方案:
1)把筛选条件对应的值写入一张小表,再一次性join到主表;
2)或者写个udf(user-defined function,用户定义函数),把这些预设值读取进去,udf来完成这个and数据过滤操作。
场景10:分组结果很多,但是你只需要topK
原写法:
SELECT mid, url, COUNT(1) AS cnt
FROM (
SELECT *
FROM r_atpanel_log
WHERE pt = '20190610'
AND pagetype = 'normal'
) subq
GROUP BY mid, url
ORDER BY cnt DESC
LIMIT 15;
优化写法:SELECT *
FROM (
SELECT mid, url, COUNT(1) AS cnt
FROM (
SELECT *
FROM r_atpanel_log
WHERE pt = '20190610'
AND pagetype = 'normal'
) subq
GROUP BY mid, url
) subq2
WHERE cnt > 100
ORDER BY cnt DESC
LIMIT 15;
可以看出,我们先过滤掉无关的内容,再进行排序,这样子快很多。