什么是数据倾斜
在大数据处理过程中,不怕数据大,就怕数据倾斜。
数据倾斜就是在mapreduce过程中,一个或几个reduce端处理的数据量过大,明显远大于平均值,导致少数的reduce端的任务长时间无法完成,而其他reduce端又无事可做,明显的效率低下。
数据倾斜的一些原因
1、关联查询时,有一个较小的表的key比较集中
key的分布不均就导致在分区时,某一个或几个分区的数量过多
2、使用group by但没有用聚合函数,导致维度过小,某值的数量过多
那么我们需要在使用group by时注意一定要同时使用聚合函数,避免数据倾斜。
使用map join解决大小表关联造成的数据倾斜
map join 概念:将其中做连接的小表(全量数据)分发到所有 MapTask 端进行 Join,从 而避免了 reduceTask,前提要求是内存足以装下该全量数据。
map join通常用于一个很小的表和一个大表进行join的场景,具体小表有多小,由参数 hive.mapjoin.smalltable.filesize来决定,该参数表示小表的总大小,默认值为25000000字节,即25M。 一般默认就够了,无须修改。