Hive-Group by的优化(解决数据倾斜的问题)

Group by

默认情况下，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。

为了解决group by数据倾斜的情况,可以采用Map端数据聚合的操作。
1）开启 Map 端聚合参数设置
（1）是否在 Map 端进行聚合，默认为 True

set hive.map.aggr = true 	

（2）在 Map 端进行聚合操作的条目数目

set hive.groupby.mapaggr.checkinterval = 100000 	

（3）有数据倾斜的时候进行负载均衡（默认是 false）

set hive.groupby.skewindata = true

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。

表里的数据:

hive (default)> select deptno from emp;
OK
deptno
NULL
30
30
NULL
30
NULL
NULL
NULL
NULL
30
NULL
NULL
NULL
NULL
Time taken: 0.513 seconds, Fetched: 14 row(s)

没有开启map端聚合的负载均衡:

hive (default)> select deptno from emp group by deptno;
OK
deptno
NULL
30
Time taken: 58.588 seconds, Fetched: 2 row(s)

优化以后:

hive (default)> set hive.map.aggr = true;
hive (default)> set hive.groupby.mapaggr.checkinterval = 100000 
hive (default)> set hive.groupby.skewindata = true;
hive (default)> select deptno from emp group by deptno;
OK
deptno
NULL
30
Time taken: 21.544 seconds, Fetched: 2 row(s)

很明显,速度提升了不少,时间从58s降到21s.