Hive异步求和

Hive调优-数据倾斜优化
问题抛出：

比如这里有100万的数据，99万的a，1万的b，最终到reduce阶段，相同的处理能力，一个处理99万，一个处理1万，最后处理的效率肯定是不相同的，会产生数据倾斜。

随机数怎么打：（也可以直接打在后面做字符串的拼接，然后再去掉）

思路
1，数据倾斜解决
看下key的分布
处理集中的key
原因
1)、key分布不均匀（实际上还是重复） 比如 group by 或者 distinct的时候
2)、数据重复，join 笛卡尔积 数据膨胀
表现
任务进度长时间维持在99%（或100%），查看任务监控页面，发现只有少量（1个或几个）reduce子任务未完成。因为其处理的数据量和其他reduce差异过大。
单一reduce的记录数与平均记录数差异过大，通常可能达到3倍甚至更多。 最长时长远大于平均时长。
解决方案：
1，看下业务上，数据源头能否对数据进行过滤，比如 key为 null的，业务层面进行优化。
2，找到key重复的具体值，进行拆分，hash。异步求和。

解决
数据样式：
（99万的（84401,a），和其他数据）

直接求结果

select key,count(*) from skew group by key;

异步求和求结果
1、加随机数（只给数据比较大的加随机数，这里只给84401和null加随机数）分组聚合
2、在第一步的基础上进行分组

select key,count(*) as num,if(key=='84401' or key=='null',floor(rand()*6),0) as hashkey from skew
group by key,if(key=='84401' or key=='null',floor(rand()*6),0)

3、在上一步的基础上进行聚合

select key,sum(num) from
(
select key,count(*) as num,if(key=='84401' or key=='null',floor(rand()*6),0) as hashkey from skew
group by key,if(key=='84401' or key=='null',floor(rand()*6),0)
) as t group by key

可以看到，相比较原来，效率进行了提升