hive开启自动转化common join和map join 带来的问题

Posted 2023-02-17 扫地增

背景：

我们采用的hive版本是3.1.2属于较新版本，此版本下hive本身默认开启map join

相关配置

hive默认开启map join，涉及的配置如下：

hive.auto.convert.join=true

错误分析

错误发生在我们使用曝光转化明细宽表和素材维表进行join时，由于两个表都非常大，我们本意是让他进行common join即可，但是在运行程序时出现了报错：

Error while processing statement: FAILED: Execution Error, return code 3 from org.apache.hadoop.hive.ql.exec.mr.MapredLocalTask

我们发现任务一直在加载hashtable，最终内存不足从而导致报错。

map join原理

MapJoin是指在Map 端进行join，其原理是broadcast join，即把小表作为一个完整的驱动表来进行join操作。通常情况下，要连接的各个表里面的数据会分布在不同的Map中进行处理。即同一个Key对应的Value可能存在不同的Map中。这样就必须等到 Reduce中去连接。要使MapJoin能够顺利进行，那就必须满足这样的条件：除了一份表的数据分布在不同的Map中外，其他连接的表的数据必须在每个Map中有完整的拷贝。Map Join会把小表全部读入内存中，在Map阶段直接拿另外一个表的数据和内存中表数据做匹配 (这时可以使用Distributed Cache将小表分发到各个节点上，以供Mapper加载使用)，由于在map时进行了join操作，省去了reduce运行的效率也会高很多。详见笔者之前文章hive sql数据倾斜——大表join小表如何使用map join。

当机器内存不足时，无法在Map端进行join，即会报错。

解决办法：

仅供参考

方法一：关闭hive配置，手动开启mapjoin

• 在hive-site.xml配置，配置完即可生效

<property>
         <name>hive.auto.convert.join</name>
         <value>false</value>//true修改为false
         <description>Enables the optimization about converting common join into mapjoin</description>
</property>

• 在使用map join时对小表手动开启，开启方法可以参考总结好的博客：hive sql数据倾斜——大表join小表如何使用map join

方法二：针对任务在调度时选择是否开启join，同时对多阶段进行手动控制

• 使用hive --hiveconf 配置参数为false

hive.auto.convert.join=false

• 具体代码具体分析即可

解决后效果