Hive之数据倾斜

Posted 2021-01-05 dangjf

一、数据倾斜的原因

数据倾斜就是由于数据分布不均匀，数据大量集中到一点上，造成数据热点。在Job完成后的所得到的Counters是整个Job的总和，优化是基于这些Counters得出的平均值，而由于数据倾斜的原因造成map处理数据量的差异过大，使得这些平均值能代表的价值降低。Hive的执行是分阶段的，map处理数据量的差异取决于上一个stage的reduce输出，所以如何将数据均匀的分配到各个reduce中，就是解决数据倾斜的根本所在。

1)、key分布不均匀

2)、业务数据本身的特性

3)、建表时考虑不周

4)、某些SQL语句本身就有数据倾斜

二、数据倾斜的表现

主要表现为以下三种情况：

1.map端执行比较快，reduce执行很慢，因为partition造成的数据倾斜。

2.某些reduce很快，某些reduce很慢，也是因为partition造成的数据倾斜。 

3.某些map执行很快，某些map执行很慢，这是因为数据本身的分布的不合理性造成的。 

造成上面reduce和map任务运行很缓慢本质上就两种情况：

第一：reduce缓慢是因为partition造成滴； 
第二：map端缓慢是因为数据本身的分布不合理性。

Reduce端缓慢：

两个table的join操作会造成数据倾斜，会造成reduce缓慢

因为数据本身不是服从均匀分布，大多数还是高斯分布，有些情况下造成的reduce缓慢无法解决。 

由于groupby操作导致的数据倾斜，而count(distinct)内部本质也是有groupby实现

map端缓慢：

这种情况是由于每条数据的相对位置造成的。

三、数据倾斜的操作

以下操作会产生

关键词	情形	后果
Join	其中一个表较小， 但是key集中	分发到某一个或几个Reduce上的数据远高于平均值
大表与大表，但是分桶的判断字段0值或空值过多	这些空值都由一个reduce处理，灰常慢
group by	group by 维度过小， 某值的数量过多	处理某值的reduce灰常耗时
Count Distinct	某特殊值过多	处理此特殊值的reduce耗时

 

四、解决方法

1.参数调节

hive.map.aggr=true

Map 端部分聚合，相当于Combiner

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。

2.SQL语句调节：

如何Join：

关于驱动表的选取，选用join key分布最均匀的表作为驱动表

做好列裁剪和filter操作，以达到两表做join的时候，数据量相对变小的效果。

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，然后再对比较大的表格进行map操作。join就发生在map操作的时候，每当扫描一个大的table中的数据，就要去去查看小表的数据，哪条与之相符，继而进行连接。这里的join并不会涉及reduce操作。map端join的优势就是在于没有shuffle。（mapjoin，common join，smbJoin）

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。

group by维度过小：

采用sum() group by的方式来替换count(distinct)完成计算。hive默认首先在map端聚合，然后在reduce端聚合，像sum、count，因为已经在map端做了聚合操作了，到reduce端的数据相对少一些，所以不存在这个问题。

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。不同类型字段关联要先转换类型。