一、故障情景
基于Hive的数据仓库中需要做一张累积快照表，记录了客户发生各个行为的具体日期，比如激活日期、注册日期、申请日期、创建订单日期等等。
这张表需要以激活日期作为分区时间，便于业务查询。
激活日期将近500个日期，在一次性将所有数据全量插入目标分区的时候所有reduce报OOM。
二、解决过程
首先增加reduce端的内存，set mapreduce.reduce.java.opts = -Xmx3072m；set mapreduce.reduce.memory.mb = 3072；最后将内存设置到集群最高内存，仍然报OOM。
再分析源数据的分类，发现源数据存在以前的测试数据，这样会造成有的分区日期只有一条数据，有的分区天数有几十万数据，数据存在严重的倾斜。
解决方法有两种。
第一种在HQL末尾加上distribute by和sort by，或者cluster by。如下：
insert overwrite table loan_f_milestone partition(day)
select *,
to_date(atv_tim)
from loan_f_milestone_tmp12
distribute by to_date(atv_tim)
sort by to_date(atv_tim)
--cluster by to_date(atv_tim)
distribute by按照指定的字段将数据划分到不同的输出reduce中，可以保证每个reduce处理的数据范围不重叠，每个分区内的数据是没有排序的。
sort by保证一个reduce内的数据按照指定字段排序。
cluster by除了有distribute by的功能，还有sort by的功能，所以最终的结果是每个reduce处理的数据范围不重叠，而且每个reduce内的数据按照指定字段排序，而且可以做到全局排序。
所以第二种方式是设置set hive.optimize.sort.dynamic.partition=true；会将动态分区字段全局排序。
网友评论