hadoop的核心之hive的核心复盘

大家好，我是曜耀

今天，曜耀带大家了解一下hive的核心复盘

以下是曜耀找的资料。

hive.groupby.skewindata=true 有数据倾斜的时候进行负载均衡，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 的输出结果集合会随机分布到 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。

SQL语句调节： 大小表Join： 使用map join让小的维度表（1000条以下的记录条数） 先进内存。在map端完成reduce. 大表Join大表： 把空值的key变成一个字符串加上随机数，把倾斜的数据分到不同的reduce上，由于null值关联不上，处 理后并不影响最终结果。 count distinct大量相同特殊值 count distinct时，将值为空的情况单独处理，如果是计算count distinct，可以不用处理，直接过滤，在 最后结果中加1。如果还有其他计算，需要进行group by，可以先将值为空的记录单独处理，再和其他计 算结果进行union。 针对去重求和的需求还可以这样做： 采用sum() group by的方式来替换count(distinct)完成计算。 特殊情况特殊处理： 在业务逻辑优化效果的不大情况下，有些时候是可以将倾斜的数据单独拿出来处理。最后union回去。

曜耀在看得时候也有写不理解就，不过说白了其中的核心就是对Mapr进行优化，是得数据可以更加稳定的拿到，并却准我们要的数据是有价值的。