9. 学习distribute by rand()

1、rand()和rand(int seed)

两种随机数生成函数，返回值: [0, 1)的随机浮点数。
说明: 如果指定种子seed，则会得到一个稳定的随机数序列。生成的数字序列中每个数是随机的，但是每次生成的序列是固定的。

2、distribute by

Hive官网解释：Hive uses the columns in Distribute By to distribute the rows among reducers. All rows with the same Distribute By columns will go to the same reducer.
翻译：Hive根据distribute by column中的column值将不同的行数据发送到不同reducer，具有相同的column值的所有行将被发送到相同的reducer中。实质是hash(column)%reducer数。

3、distribute by rand和生成文件数的关系

比如：insert into table b select xxx from a;

该sql语句的最后一个job是一个仅有map阶段的任务(以该情况为例，其他场景可能也会有reduce阶段)。
假如有1000个map，该情况下map任务在往hive分区(一个分区)中写数据的时候，每个map都要产生1个文件；如果用到动态分区，假如有10个分区，数据量在每个分区都比较大的情况下，每个map几乎都要产生10个文件，文件个数呈现乘法的放大；

假如distribute by rand() + set hive.exec.reducers.max = 500（或者set mapred.reduce.tasks = 500）;

先对rand取哈希然后对reduce数目（500）取余，保证了每条数据分配到所有reducer的可能性是相等的，这样reducer处理的数据量就是均匀的，在数据量比较大的情况下，每个reducer产生的文件数为动态分区的个数，产生的文件总个数50010（reducer个数分区个数）。

假如使用distribute by pmod(hash(1000*rand()), 80) + set mapred.reduce.tasks = 200;

此时 200>80，会有200个redurcer启动，但是只有80个实际接收了数据(即distribute by rand可以控制生成文件的数量)；

# 同时，如果设置
set hive.merge.mapfiles=true;
set hive.merge.mapredfiles=true;
set hive.merge.size.per.task=256000000;
set hive.merge.smallfiles.avgsize=64000000;
# 在落地前可能会进行文件合并，落地文件大小是256m，落地文件数<=min(reduce数*分区个数，distribute by pmod(hash(1000*rand()), xx)*分区个数)；

使用案例：

       此处，distributed by floor() 的作用为 规整/合并 每个分区的小文件。将原表中每个分区的数据重新写入该分区，写入时将仅会有 <=7 个 reduce task 实际接收到了数据。

set hive.exec.reducers.max 对比 set mapred.reduce.tasks

1）相同点：
这两个参数均与Hive作业中的reduce任务数量有关。

2）不同点：
set hive.exec.reducers.max是Hive层面的参数，用于限制Hive作业推测出的reduce任务的最大数量。指定10可能是10、也可能是7。

set mapred.reduce.tasks是Hadoop MapReduce框架层面的参数，用于指定一个MapReduce作业的reduce任务数量。指定1就是1，指定10就是10。

4、distribute by rand的风险

distribute by rand() 使用不带随机种子的函数，在mapreduce框架下这种使用方式存在一定风险，可能导致部分数据丢失或者重复；

具体原理如下：
       部分reduce shuffle失败导致上游个别map task重新生成数据，如果shuffle分片逻辑包含随机因子，会导致新生成的数据shuffle分片与之前不完全一致，进而导致部分数据重复读取或者数据丢失。新生成的shuffle分片内数据会漏数据也会包含分发到其他reducer的数据。(reduce task从每个map task的结果文件中拉取对应分区的数据。数据在map阶段已经是分好区了，并且会有一个额外的索引文件记录每个分区的起始偏移量。所以reduce task取数的时候直接根据偏移量去拉取数据。)

        重要！！！ 建议使用rand(int seed)设置随机种子。如果shuffle过程中个别reducer失败，对应上游mapper重试发送数据时，使用带种子的随机函数可以保证重试时生成的随机值相同，发送到该reducer的数据和之前一致。

5、hive 中什么场景下会使用 distirbute by rand() 呢？

在Hive中，DISTRIBUTE BY 子句与 RAND() 函数一起使用时，通常是为了将数据随机(近似均匀)分布到不同的Reduce中。

1）负载均衡：当数据量非常大，并且需要在多个reduce任务之间平衡负载时，使用 DISTRIBUTE BY RAND() 可以随机(近似均匀)分配数据，从而避免某些reduce任务过载而其他任务却空闲的情况。

2）小文件问题：在Hive中，如果有很多小文件，它们可能会导致大量的Seek操作(指HDFS在处理文件时的开销)，从而降低查询性能。使用 DISTRIBUTE BY RAND() 可以将数据随机写入更少的文件中，减少小文件的数量(distribute by rand可以控制生成文件的数量；见3、)。

3）数据倾斜：在某些情况下，数据倾斜可能导致某些键（key）的数据量远大于其他键。通过随机分布数据，可以减少数据倾斜的影响。

4）测试和样例：在开发或测试阶段，可能需要从生产表中随机抽取一部分数据进行测试。使用 DISTRIBUTE BY RAND 可以快速创建一个随机样本(每个reduce任务独立随机抽样,而非全局随机抽样)。

-- 使用 DISTRIBUTE BY RAND() 来获取随机样本的 Hive SQL 示例
INSERT OVERWRITE LOCAL DIRECTORY '/tmp/sample_dir'
SELECT *
FROM source_table
DISTRIBUTE BY RAND()
LIMIT 1000;
-- 由于 DISTRIBUTE BY RAND() 会随机分配行到reduce任务，每个reduce任务处理一部分数据，并且 LIMIT 是在每个reduce任务的结果上独立执行的，因此每个reduce任务将返回一定数量的行，最终合并后形成整个随机样本。

学习链接

https://zhuanlan.zhihu.com/p/252776975