SQL篇—Hive数据倾斜（二）

这是面试经常遇到的问题，虽然我还没有机会在实战中面对过。

• 1.参考文章：
  Hive的数据倾斜：
  https://www.cnblogs.com/qingyunzong/p/8847597.html

  https://www.cnblogs.com/kongcong/p/7777092.html
  https://www.jianshu.com/p/ab08de658adc

• 2.表现：进度卡在99%，某一个reduce子任务总比其他时间长

• 3.易出现数据倾斜的情况
  a. join: 其中一个表小，但key集中/分桶的判断字段0值或空值较多
  b.group by: 维度过小，某值的数量过多
  c. count distinct: 某特殊值过多

• 4.原因：
  key分布不均
  建表时考虑不周
  业务数据本身特性
  某些SQL本身

• 5.solution：
  a.表小但key集中
  产生新的key,对应的数据分布尽可能均匀

  map join:将其中做连接的小表（全量数据）分发到所有 MapTask 端进行 Join，从而避免reduceTask，前提要求是内存足以装下该全量数据
  用法：在select后面添加/* +mapjoin(tablelist)*/提示优化器转化为map join ，通常tablelist是小表，全量发送到内存

  select /* +mapjoin(a) */ a.id aid, name, age from a join b on a.id = b.id;
  

  Hive0.11版本以后会自动开启mapjoin优化，由两个参数设置：
  set hive.auto.convert.join=true; //设置 MapJoin 优化自动开启
  set hive.mapjoin.smalltable.filesize=25000000 //设置小表不超过多大时开启 mapjoin 优化

  但如果小表太大，无法全量发送，那么需要对上述方法进行改进。
  如日志表和用户表的连接：

  select * from log a left outer join users b on a.user_id = b.user_id;
  

  相对于log,user表是小表但量很大，改进：

  select /*+mapjoin(x)*/* from log a
  left outer join (
   select /*+mapjoin(c)*/ d.*
   from ( select distinct user_id from log ) c join users d on c.user_id = d.user_id
  ) x
  on a.user_id = x.user_id;
  

  b.空值较多
  将空值的key变成字符串＋随机数

  select * from log a 
  left outer join user b on
  case when a.user_id is null then concat('hive',rand()) else a.user_id end = b.user_id;
  

  c.不同数据类型关联
  user表中 user_id 字段为 int，log 表中 user_id 为既有 string 也有 int 的类型， 进行 join 操作的时候，默认的 hash 操作会按照 int 类型的 id 进 行分配，这样就会导致所有的 string 类型的 id 就被分到同一个 reducer 当中

  select * from user a left outer join log b on b.user_id = cast(a.user_id as string)