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.