数据倾斜

http://blog.sina.com.cn/s/blog_7bbd4ce50102xer9.html

 

Hive之数据倾斜原因及解决方法

睡前学学大数据 2018-05-09

作者 雨师

数据倾斜产生的原因

1、数据倾斜的表现

● 任务进度长时间维持在99%（或100%），查看任务监控页面，发现只有少量（1个或几个）reduce子任务未完成。因为其处理的数据量和其他reduce差异过大。

● 单一reduce的记录数与平均记录数差异过大，通常可能达到3倍甚至更多。

● 最长时长远大于平均时长。

2、易产生数据倾斜的操作

Join操作

情形1：其中一个表较小，但是key集中

后果：分发到某一个或几个Reduce上的数据远高平均值

情形2：大表与大表，但是分桶的判断字段0值或空值过多

后果：这些空值都由一个reduce处理，非常慢

Group By操作

情形：维度过小，某值的数量过多

后果：处理某值的reduce非常耗时

Count Distinct操作

情形：某特殊值过多

后果：处理此特殊值的reduce耗时

3、数据倾斜产生的原因

● key分布不均匀

● 业务数据本身的特性

● 建表时考虑不周

● 某些SQL语句本身就有数据倾斜

数据倾斜解决方法

1、参数调节

set hive.map.aggr= true

Map 端部分聚合，相当于Combiner

set hive.groupby.skewindata=true

数据倾斜的时候进行负载均衡，当项设定为 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

关于驱动表的取，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。在map端完成reduce

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

特殊情况特殊处理

在业务逻辑优化效果的不大情况下，一些时候是可以将倾斜的数据单独拿出来处理。最后union回去。

3、空值产生的数据倾斜

场景：如日志表log中的 user_id，和用户表users中的user_id 关联，会碰到数据倾斜的问题。

方法一：user_id为空的不参与关联

select * from log a join users b on a.user_id is not null and a.user_id = b.user_id

union all

select from log a where a.user_id is null;

方法二：赋与空值分新的key值

select * from log a left outer join users b

on case when a.user_id is null then concat(‘hive’,rand() ) else a.user_id end = b.user_id;

结论：方法2比方法1效率更好，不但io少了，而且作业数也少了。解决方法1中 log读取两次，jobs是2。解决方法2中job数是1 。这个优化适合无效 id (比如 -99 , ’’, null 等) 产生的倾斜问题。把空值的 key 变成一个字符串加上随机数，就能把倾斜的数据分到不同的reduce上 ,解决数据倾斜问题。

4、不同数据类型关联产生数据倾斜

场景：用户表中user_id字段为int，log表中user_id字段既有string类型也有int类型。当按照user_id进行两个表的Join操作时，默认的Hash操作会按int型的id来进行分配，这样会导致所有string类型id的记录都分配到一个reducer中。

方法：把数字类型转换成字符串类型

select * from users a left outer join logs b on a.usr_id = cast(b.user_id as string)

总结

使map的输出数据更均匀的分布到reduce中去，是我们的最终目标。由于Hash算法的局限性，按key Hash会或多或少的造成数据倾斜。大量经验表明数据倾斜的原因是人为的建表疏忽或业务逻辑可以规避的。

● 对于join，在判断小表不大于1G的情况下，使用map join

●对于group by或distinct，设定 hive.groupby.skewindata=true

● 尽量使用上述的SQL语句调节进行优化

长按识别二维码关注

微信ID：BigDataTips

✾如果你喜欢这篇文章，欢迎分享到朋友圈✾

评论功能现已开启，我们接受一切形式的吐槽和赞美☺️