Join 的实现原理
以下面这个 SQL 为例,讲解 join 的实现:
select u.name, o.orderid from order o join user u on o.uid = u.uid;
在 map 的输出 value 中为不同表的数据打上 tag 标记,在 reduce 阶段根据 tag 判断数据来源。MapReduce 的过程如下:
MapReduce CommonJoin 的实现
group by
原理
将group by 的字段 作为key,即groupBy_key 。在shuffle阶段,groupBy_key作为shuffle阶段的key,进行hash分区。
select
user.gender,
count(1)
from user
group by gende
group by导致数据倾斜
groupBy_key % reduceTaskNum
不均匀会导致某些reduceTask数据量大,从而导致数据倾斜;
优化手段1:预聚合
配置: hive.map.aggr=true
该参数控制在group by的时候是否map局部聚合,这个参数默认是打开的。
适用场景:
- 聚合方式不影响业务逻辑(count\sum\min\max\) (count distinct 会关闭预聚合)
- groupBy_key 重复越多效果越好;如果groupBy_key是唯一键,开启此参数没有意义,并且造成计算资源的浪费。
相关参数:
- hive.groupby.mapaggr.checkinterval = 100000
- Hive.map.aggr.hash.min.reduction=0.5
上面这两个参数控制关掉map聚合的策略。Map开始的时候先尝试给前100000 条记录做hash聚合,如果聚合后的记录数/100000>0.5说明这个groupby_key没有什么重复的,再继续做局部聚合没有意义,在聚合100000 以后就自动把预聚合开关关掉,降级到普通的Aggregation。
Distinct 的实现原理
distinct全局去重 预聚合无法使用
select
gender,
count(distinct id)
from user
group by gender
由于map需要保存所有的userid,map聚合开关会自动关掉,导致出现计算不均衡的现象,只有2个redcue做聚合,每个reduce处理100亿条记录。
1. 只有一个distinct 字段
select
dealid,
count(distinct uid) num
from order
group by dealid;
- 跟去GroupBy字段作为shuffle Key进行分区
- 将GroupBy字段和Distinct字段 作为reduce的key,在reduce阶段保存LastKey即可完成去重。
2.多个distinct字段
select
dealid,
count(distinct uid),
count(distinct date)
from order
group by dealid;
本质和单个distinct字段是一样的,只不过是经过处理后才能达到和单个distinct同样的效果:
- 对所有的distinct字段编号,这样的话每行数据会生成n行数据;
- 然后groupByKey + 编号 + distinctKey 作为Map的输出key,那么相同字段就会分别排序
- 同时groupByKey + 编号 + distinctKey 作为reduce的key,这时只需要在reduce阶段记录LastKey即可去重。
以下面这个 SQL 为例,讲解 distinct 的实现:
select dealid, count(distinct uid) num from order
当只有一个 distinct 字段时,如果不考虑 Map 阶段的 Hash GroupBy,只需要将 GroupBy 字段和 Distinct 字段组合为 map 输出 key,利用 mapreduce 的排序,同 时将 GroupBy 字段作为 reduce 的 key,在 reduce 阶段保存 LastKey 即可完成去 重