提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
文章目录
#博学谷IT学习技术支持#
前言
HIVE数据倾斜是HIVE必备、必问知识点。了解什么是数据倾斜、倾斜的原因以及如何解决倾斜,非常有必要。以下是个人总结。
一、什么是HIVE数据倾斜?
HIVE处理的数据分布不均匀,导致某一个或几个节点处理的数据量巨大,就会造成数据倾斜。
具体表现是,整个任务进度长时间处于99%附近,在yarn的任务详情页面发现大部分reduce都运行完成,只有一个或者几个reduce任务在长时间执行,是由于该reduce任务处理的数据量远远大于其他任务。
二、数据倾斜原因及解决办法
在实际项目中,主要三种情况会遇到数据倾斜,分别是join操作、group by 操作和count distinct 操作。
1. Join 倾斜
a. 大表 Join 小表
- 倾斜原因:主要是热点key导致,在shuffle过程中,相同的key会基于hash分发到同一个reduce算子上,导致join时倾斜。
- 解决办法:开启map端join: set hive.auto.convert.join = true; 默认是打开的。
– 开启该设置后,join时会在map端将小表缓存到内存中(缓存为hash table),在map端执