Hive数据倾斜解决思路

Hive数据倾斜总结

发生倾斜的根本原因在于，shuffle之后，key的分布不均匀，使得大量的key集中在某个reduce节点，导致此节点过于“忙碌”，在其他节点都处理完之后，任务的结整需要等待此节点处理完，使得整个任务被此节点堵塞，要解决此问题，主要可以分为两大块：一是尽量不shuffle；二是shuffle之后，在reduce节点上的key分布尽量均匀。

倾斜探查

join key倾斜

select key, count(*) cnt 
from B b 
group by key
order by cnt desc;

如果某个key的cnt比较大，比如排在第1的key，cnt占了一大半，那使用这个key去join，极有可能发生数据倾斜。

像图中，排在第1的key，占据了4161w条记录，占表总记录数的一半，如果使用这个key去join，运行时肯定倾斜。

查看日志

如果发现，某个任务运行时间比较长，可以看下执行日志，如果运行时reduce阶段一直在99%，则极可能是发生了数据倾斜，如下图：

倾斜原因

• key相同的太集中，导致倾斜

• key的哈希结果，或分区函数的结果，导致key分布集中

解决方案

只要有shuffle，就有可能产生数据倾斜，解决数据倾斜的总体思路是：

• 能在map端处理的，不留到reduce端（当然，这不仅是解决数据倾斜的思路，这个适用所有的优化）：
  • 根据谓词下推规则，尽早过滤数据；
  • 使用map Join
• 将key值尽量分散。
  • 使用随机数打散，但要考虑不能影响结果。
  • 提高并行度

具体的方法有以下：MapJoin，手工分割，添加随机前缀，使用列桶表等。

1. mapjoin

• 适应场景：Join的两个表中，有一个表比较小，小到可以完全放到分布式缓存中，默认的大小是25M。

• 配置方法（亲测有效）：

  set hive.auto.convert.join = true;
  set hive.mapjoin.smalltable.filesize=25000000;
  

• 优点：运行时转换成mapjoin，无reduce阶段，运行时间极短

• 缺点：适用场景有限，需要占用分布式缓存

mapJoin原理

• Local work:
  • read records via standard table scan (including filters and projections) from source on local machine
  • build hashtable in memory
  • write hashtable to local disk
  • upload hashtable to dfs
  • add hashtable to distributed cache
• Map task
  • read hashtable from local disk (distributed cache) into memory
  • match records’ keys against hashtable
  • combine matches and write to output
• No reduce task

2. 手工分割

• 适应场景：当我们知道某些少量极个别的key 去join时会发生倾斜，我们可以手工将其分开执行，比如key=A时会发生倾斜，我们此时可以将所有的key分成两块来执行，一块是key=A，另一块是key<>A，如下：

• 实践代码（亲测有效）

  select t1.* 
  from t1 join t2 on t1.key=t2.key
  
  拆成以下SQL:
  
  select t1.* 
  from t1 join t2 on t1.key=t2.key
  where t1.key=A
  union all 
  select t1.*
  from t1 join t2 on t1.key=t2.key
  where t1.key<>A
  

• 缺点：场景有限

  这种场景需要注意一下：如果倾斜的key，除了key=A外，还有其他key时也会发生倾斜时，并不一定适合去拆分。

3. 大表添加N种随机前缀，小表膨胀N倍数据

• 适用场景：小表不是很小，不太方便使用mapjoin。
• 解决方法：对大表的key添加N种随机前缀，对小表和N种随机前缀做笛卡尔积，使得大表里新生成的key在小表里都有可能正确地找到相应的key，解决思路可参考以下图：
  
• 实践代码（亲测有效），以下代码是N的取值为10

select a.*
from a
left join (
    select concat(c.rand_num,'_',d.key) as key from(
        select rand_num from dual LATERAL VIEW explode(array(0,1,2,3,4,5,6,7,8,9)) rand_num_list as rand_num
    )c join d
)b on concat(cast(9*rand() as int), '_', a.key) =b.key
where a.ds='2019-09-05' 

• 优点：可适当降低倾斜程度。
• 缺点：N的取值不太好判断，需要多次实验，而且数据膨胀后，会增加资源消耗。

4. 使用Skewed Table或List Bucketing Table

• Skewed Table vs. List Bucketing Table

  • Skewed Table是倾斜表，元数据存储了倾斜key的信息，例如：

  create table T (c1 string, c2 string) skewed by (c1) on ('x1') 
  

  • List Bucketing Table是一种特殊的倾斜表，数据存储的时候会带有倾斜key的子目录，创建时需要指定STORED AS DIRECTORIES，例如：

  create table T (c1 string, c2 string) skewed by (c1) on ('x1') stored as directories;
  create table T (c1 string, c2 string, c3 string) skewed by (c1, c2) on (('x1', 'x2'), ('y1', 'y2')) stored as directories;
  

  • skewed table 不会创建子目录，但list bucketing table会。

• 适用场景：

  • 每个分区中，倾斜key的数据占了绝大部分，比如表中的key有10个，但key=key1的数据占了总数据量的60%；
  • 每个分区中，倾斜的key比较少，因为太多容易给元数据造成压力。

• 不适用场景：

  • 如果倾斜的key的数量比较多，会给元数据存储造成压力

• Skewed table 使用方法 ：

set hive.optimize.skewjoin.compiletime =true;
set hive.optimize.skewjoin =true;

• List Bucketing Table不指定配置参数，直接Join，就能生效

5. 配置每个reduce节点处理的数据量

• 对于hive作业配置如下：

set hive.exec.reducers.bytes.per.reducer = 100000000;

• 配置：在Hive0.14.0版本之前，此配置默认为1G（1,000,000,000），在版本0.14.0之后，默认为256MB

• 优点：reduce个数增多，可以提高速度

• 缺点：但这个阈值不太好控制，还是容易产生倾斜。

• 对于spark作业
  对于spark作业，可以采用spark自适应特性来缓解数据倾斜问题，配置如下：

属性名称	默认值	备注
spark.sql.adaptive.enabled	false	自适应执行框架的开关
spark.sql.adaptive.shuffle.targetPostShuffleInputSize	67108864	动态调整reduce个数的 partition 大小依据，如设置64MB，则reduce 阶段每个task最少处理 64MB的数据。
spark.sql.adaptive.shuffle.targetPostShuffleRowCount	20000000	动态调整reduce个数的partition条数依据，如设置20000000则reduce阶段每个task最少处理 20000000条的数据。

可以通过配置调整reduce阶段每个task处理的数据量的大小或处理的记录条数，经缓解数据倾斜问题

其他

以下两种方式都试过，但没感觉到提速。

set hive.optimize.skewjoin=true;
set hive.skewjoin.key=100000; --如果在同一个join operator出现超过此阈值的相同的key，则认为此key为倾斜key

set mapred.reduce.tasks=800;

• 优点：reduce个数增多，可以提高速度
• 缺点：但这个阈值不太好控制，还是容易产生倾斜。

参考文献：

http://www.jasongj.com/spark/skew/

https://cwiki.apache.org/confluence/display/Hive/Skewed+Join+Optimization

https://cwiki.apache.org/confluence/display/Hive/ListBucketing

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+JoinOptimization#LanguageManualJoinOptimization-PriorSupportforMAPJOIN