HIVE 3 使用 MR 引擎多表关联 (JOIN) 导致丢数的问题复现、问题根源及解决方案 (附代码)
概述
本文意图解决 HIVE 3 版本中使用 MR 作为运算引擎进行 JOIN 操作时导致的丢数情况。
问题描述
Apache Hive 在 2.3 版本后宣布放弃维护 MapReduce 作为底层执行引擎，并转而使用 Tez 作为默认的查询引擎。但是由于 Tez 在大作业量和高并发时的严重性能问题，导致许多任务不得不继续使用 MapReduce 进行操作，因此就需要开发者自行维护 Hive 对于 MR 的可用性。
然而，在 Hive 升级至 Hive 3 版本中，继续使用 MapReduce 会导致非常严重的恶性错误。例如，即使进行非常简单的 JOIN 操作，都会导致部分应该被关联上的数据丢失。
本文档意图提供测试场景浮现上述恶性漏洞，并阐述其根本原因，最后对出现问题部分的源代码进行修改，以彻底修复该问题。
问题复现
场景1: 多表 (超过三张表) 时数据丢失
在复现开始之前先对 Hive 的部分参数进行设置：
SET hive.execution.engine=mr;
SET mapred.reduce.tasks=2;
SET hive.auto.convert.join=false;首先，创建三张表。这三张表除了表名不一样，其他包括列信息甚至数据在内完全相同。
建表语句如下。我们使用文件的形式快速插入，当然为了复现这个问题您也可以手动插入如下数据:
USE default;
create table table_a(id string, name string, addr string) stored as orc;
create table table_b(id string, name string, addr string) stored as orc;
create table table_c(id string, name string, addr string) stored as orc;
LOAD DATA LOCAL INPATH "/home/hadoop/reproduce_hive/Scenario1/table_a_data.orc" INTO TABLE table_a;
LOAD DATA LOCAL INPATH "/home/hadoop/reproduce_hive/Scenario1/table_b_data.orc" INTO TABLE table_b;
LOAD DATA LOCAL INPATH "/home/hadoop/reproduce_hive/Scenario1/table_c_data.orc" INTO TABLE table_c;
通过以下语句查看三张表的内容，可以看到其中的数据完全一致。
hive> select * from table_a;
OK
11 a aaa
22 b bbb
33 c ccc
44 d ddd
55 e eee
66 f fff
77 g ggg
88 h hhh
99 i iii
00 j jjj
Time taken: 0.157 seconds, Fetched: 10 row(s)
hive> select * from table_b;
OK
11 a aaa
22 b bbb
33 c ccc
44 d ddd
55 e eee
66 f fff
77 g ggg
88 h hhh
99 i iii
00 j jjj
Time taken: 0.471 seconds, Fetched: 10 row(s)
hive> select * from table_c;
OK
11 a aaa
22 b bbb
33 c ccc
44 d ddd
55 e eee
66 f fff
77 g ggg
88 h hhh
99 i iii
00 j jjj
Time taken: 0.186 seconds, Fetched: 10 row(s) 在确认三张表的数据准确无误后，使用如下关联语句对三张表进行关联：
select a.id as a_id, b.name as b_name, c.addr as c_addr from table_a a join table_b b on(a.id=b.id) join table_c c on(c.name=b.name); 关联结果如下，数据丢失的结果令人咋舌。
MapReduce Jobs Launched:
Stage-Stage-1: HDFS Read: 23439 HDFS Write: 5508 SUCCESS
Stage-Stage-2: HDFS Read: 26292 HDFS Write: 5508 SUCCESS
Total MapReduce CPU Time Spent: 0 msec
OK
22 b bbb
66 f fff
88 h hhh
55 e eee
99 i iii
Time taken: 3.343 seconds, Fetched: 5 row(s)可以非常明显地看到，本来应该被完全关联在一起的 10 条数据，居然出现了严重的数据丢失。有一半的数据竟然没有被成功关联。如果多次运行关联语句，可以发现这不是偶然情况。每次关联 2 张表以上的数据都会出现极为严重的数据丢失问题。
场景2: 表的某些属性 (e.g. bucketing_version) 不同时，即使两张表关联也会导致数据丢失
使用如下数据进行数据建表关联。在建表时使用不同的 bucketing_version 进行表的初始化。
数据文件如下：
0,Kurt,[email protected]
1,Rolland,[email protected]
2,Cortez,[email protected]
3,Tyron,[email protected]
4,Matthew,[email protected]
5,Jeffrey,[email protected]
6,Gerard,[email protected]
7,Hal,[email protected]
8,Virgil,[email protected]
9,Hector,[email protected] 利用如下语句建表，并在建表时使用不同的 bucketing_version 属性。
CREATE TABLE `join_test_1`(`id` string, `first` string, `email` string) ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe' WITH SERDEPROPERTIES ('field.delim'=',', 'serialization.format'=',') STORED AS INPUTFORMAT 'org.apache.hadoop.mapred.TextInputFormat'OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat' TBLPROPERTIES ('bucketing_version'='1');
LOAD DATA LOCAL INPATH '/home/hadoop/reproduce_hive/Scenario2/test_data.csv' OVERWRITE INTO TABLE join_test_1;
CREATE TABLE `join_test_2`(`id` string, `first` string, `email` string) ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe' WITH SERDEPROPERTIES ('field.delim'=',', 'serialization.format'=',') STORED AS INPUTFORMAT 'org.apache.hadoop.mapred.TextInputFormat'OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat' TBLPROPERTIES ('bucketing_version'='2');
LOAD DATA LOCAL INPATH '/home/hadoop/reproduce_hive/Scenario2/test_data.csv' OVERWRITE INTO TABLE join_test_2; 运行关联操作的 SQL 语句：
SET hive.execution.engine=mr;
SET mapred.reduce.tasks=2;
SET hive.auto.convert.join=false;
SELECT * from (SELECT id from join_test_1) as tbl1 LEFT JOIN (SELECT id from join_test_2) as tbl2 on tbl1.id = tbl2.id; 查询关联结果，令人惊讶的事情再一次发生：
Ended Job = job_local184369678_0005
MapReduce Jobs Launched:
Stage-Stage-1: HDFS Read: 28434 HDFS Write: 7956 SUCCESS
Total MapReduce CPU Time Spent: 0 msec
OK
0 NULL
2 NULL
4 NULL
6 NULL
8 8
1 NULL
3 NULL
5 5
7 NULL
9 NULL蕴含同样数据的两张表，仅仅由于建表时的某些属性不同，就导致了绝大部分数据的关联都不成功。数据最基本的准确性都无法得到保障，这毫无疑问是 HIVE 3 中非常致命的问题。
问题根源
由于该问题影响过于严重，导致许多使用 HIVE 的开发者第一时间发现了本问题并及时进行了 Bug Report。在 HIVE Jira 上面可以看到非常多的针对该问题的问题报告和可能的解决方案。
本文主要采用了 HIVE JIRA 中编号为 HIVE-22098 的问题描述和相应解决思路。
根据 HIVE-22098 的问题描述，究其根源，是由于 HIVE 2 与 HIVE 3 在 JOIN 操作时使用了不同的 Hash 算法，导致同样的值在关联时被不同的 Hash 算法映射成了不同的值，而这些不同的 Hash 值在进行关联时无法被相互匹配。最终导致本来该被关联在一起的数据由于 Hash 值得不同未能被关联在一起。而决定到底应用哪套 Hash 值算法则是根据 bucketing_version 的值来进行评判的。
特别地，在进行多表关联时，即使相同 bucketing_version 的 Hive 表，由于其关联的中间过程所产生的中间表，在源代码中 bucketing_version 值会被置为 -1，因此该中间表再与第三张乃至更多的表关联时会直接导致 Hash 算法的混乱计算。
因此，为了保障关联的数据准确性，必须要确保 bucketing_version 在进行多表关联或者多版本表关联时的稳定。即，保障 bucketing_version 的稳定性就是保证 Hive 3 数据关联时的准确性。
此外，HIVE 社区已经针对 bucketing_version 不稳定的问题进行了集中的问题汇总和修改建议指导。可以通过查看 JIRA: HIVE-21304 了解系统性的 bucketing_version 稳定性提高方法，此处不做过多赘述。
Ps: 该问题还可能导致许多其他异常的出现，比如 HIVE-18983, HIVE-20164, HIVE-22429 等诸多问题的出现。因此该 BUG 的严重级别是最高的。修复了本问题，其余数十个问题也就都可以迎刃而解。
解决思路
由于 HIVE 中 JOIN 操作执行流程的本质是一个二叉树，因此我们只需要通过算法在关联时遍历每个节点，并将每个节点的 bucketing_version 在关联前手动设置为该二叉树中的最高版本，即可保证 bucketing_version 在关联时的稳定，也就可以保障关联不丢数。
源码修改及编译上传
将如下代码替换至原代码即可修复本问题。
下面给出 Patch 中的 Git 代码，对相应的类进行修复。Patch 的代码在 Jira HIVE-22098 中都可以找到。在此衷心感谢各位 Code Contributors 对于 HIVE 社区的贡献。
From c0774da927451008ba78ed7b8637a1a4899d9e12 Mon Sep 17 00:00:00 2001
From: luguangming
Date: Mon, 12 Aug 2019 14:24:05 +0800
Subject: [PATCH]HIVE-22098
---
.../apache/hadoop/hive/ql/exec/mr/ExecMapper.java | 41 ++++++++++++++++++++++
1 file changed, 41 insertions(+)
diff --git a/ql/src/java/org/apache/hadoop/hive/ql/exec/mr/ExecMapper.java b/ql/src/java/org/apache/hadoop/hive/ql/exec/mr/ExecMapper.java
index 99b33a3..d0c847e 100644
--- a/ql/src/java/org/apache/hadoop/hive/ql/exec/mr/ExecMapper.java
+++ b/ql/src/java/org/apache/hadoop/hive/ql/exec/mr/ExecMapper.java
@@ -20,10 +20,12 @@
import java.io.IOException;
import java.net.URLClassLoader;
+import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
import java.util.Map;
+import org.apache.hadoop.hive.ql.exec.ReduceSinkOperator;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.apache.hadoop.conf.Configuration;
@@ -104,6 +106,10 @@ public void configure(JobConf job) {
// initialize map operator
mo.initialize(job, null);
mo.setChildren(job);
+
+ // defined self balance ReduceSinkOperator of bucketVersion
+ balanceRSOpbucketVersion(mo);
+
l4j.info(mo.dump(0));
// initialize map local work
localWork = mrwork.getMapRedLocalWork();
@@ -138,6 +144,41 @@ public void configure(JobConf job) {
}
}
}
+
+ /**
+ * defined-self balance ReduceSinkOperator of bucketVersion, keep values to sameness
+ * @param rootOp
+ */
+ private static void balanceRSOpbucketVersion(Operator rootOp){
+ List> needDealOps = new ArrayList>();
+ visitChildGetRSOps(rootOp, needDealOps);
+ int bucketVersion = -1;
+ for(Operator rsop : needDealOps){
+ if(rsop.getBucketingVersion() != 2 && rsop.getBucketingVersion() != 1){
+ rsop.setBucketingVersion(-1);
+ }
+ if(rsop.getBucketingVersion() > bucketVersion){
+ bucketVersion = rsop.getBucketingVersion();
+ }
+ }
+ for(Operator rsop : needDealOps){
+ l4j.info("update reduceSinkOperator name="+rsop.getName()+", opId="+rsop.getOperatorId()+", oldBucketVersion="+rsop.getBucketingVersion()+", newBucketVersion="+bucketVersion);
+ rsop.setBucketingVersion(bucketVersion);
+ }
+ needDealOps.clear();
+ }
+ private static void visitChildGetRSOps(Operator rootOp, List> needDealOps){
+ List> ops = rootOp.getChildOperators();
+ if(ops == null || ops.isEmpty()){
+ return;
+ }
+ for(Operator op : ops) {
+ if (op instanceof ReduceSinkOperator) {
+ needDealOps.add(op);
+ }
+ visitChildGetRSOps(op, needDealOps);
+ }
+ }
@Override
public void map(Object key, Object value, OutputCollector output,
Reporter reporter) throws IOException {
--
2.9.2 编译对应的模块 hive-exec-3.1.2.jar，并将该 Jar 包替换 Hive 3 自带的 Jar 包。编译 HIVE 的命令可以去查询 HIVE 的官方文档，这里不做过多赘述。
重启 Hive 让其重新加载我们修改源码后的 Jar 包，再次重复上述两个场景，即可观察到 MapReduce 的结果正常，该问题被成功修复。
关联结果示例：
Ended Job = job_local184369678_0006
MapReduce Jobs Launched:
Stage-Stage-1: HDFS Read: 22434 HDFS Write: 7966 SUCCESS
Total MapReduce CPU Time Spent: 0 msec
OK
0 0
1 1
2 2
4 4
6 6
8 8
3 3
5 5
7 7
9 9小结
HIVE JIRA 中有许多关于异常信息和报错的讨论。经常性地浏览社区，配合阅读源代码可以对 HIVE 的理解更加深入。
再次，HIVE 社区已经针对 bucketing_version 不稳定的问题进行了集中的问题汇总和修改建议指导。可以通过查看 JIRA: HIVE-21304 了解系统性的 bucketing_version 稳定性提高方法，此处不做过多赘述。
希望本篇文章对您的 HIVE 使用有所帮助。
References
- JIRA: HIVE-22098
- JIRA: HIVE-21304