数据倾斜的原因以及怎么去解决

数据倾斜的原因
1.key 分布不均匀
2.业务数据本身的特性
3.SQL 语句造成数据倾斜
如何解决数据倾斜
1.hive 设置 hive.map.aggr=true，hive.groupby.skewindata=true

2.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 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 在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。

3.SQL 语句调整:
1.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join 的时候，数据量相对变小的效果。
2.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。在 Map 端完成 Reduce。
3.大表 Join 大表：把空值的 Key 变成一个字符串加上一个随机数，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的结果。
4.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，在做后结果中加 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。