提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

#博学谷IT学习技术支持#

前言

HIVE数据倾斜是HIVE必备、必问知识点。了解什么是数据倾斜、倾斜的原因以及如何解决倾斜，非常有必要。以下是个人总结。

一、什么是HIVE数据倾斜？

HIVE处理的数据分布不均匀，导致某一个或几个节点处理的数据量巨大，就会造成数据倾斜。
具体表现是，整个任务进度长时间处于99%附近，在yarn的任务详情页面发现大部分reduce都运行完成，只有一个或者几个reduce任务在长时间执行，是由于该reduce任务处理的数据量远远大于其他任务。

二、数据倾斜原因及解决办法

在实际项目中，主要三种情况会遇到数据倾斜，分别是join操作、group by 操作和count distinct 操作。

1. Join 倾斜

a. 大表 Join 小表

• 倾斜原因：主要是热点key导致，在shuffle过程中，相同的key会基于hash分发到同一个reduce算子上，导致join时倾斜。
• 解决办法：开启map端join： set hive.auto.convert.join = true; 默认是打开的。
  – 开启该设置后，join时会在map端将小表缓存到内存中（缓存为hash table），在map端执行join。
  – 小表默认是 1000行或者25Mb大小。可以通过设置参数提高小表的阈值 ： set hive.mapjoin.smalltable.filesize=25000000;

b. 大表 Join 大表

• 倾斜原因：跟大表Join小表倾斜原因差不多，存在热点key，或者大量无用的空key，导致倾斜。
• 解决办法：
  – 运行时优化：采用skewjoin(倾斜关联)开启对倾斜数据join的优化： set hive.optimize.skewjoin=true; ，然后可以设置join倾斜阈值： set hive.skewjoin.key=100000; ，当join的key对应的记录条数超过100000，就认为这个key发生了数据倾斜，会对其分拆优化。
  – 编译时优化：通过设置： set hive.optimize.skewjoin.compiletime=true; 可以在编译SQL时将执行计划优化完成。但是，这个需要在建表时指定数据倾斜元数据信息。
  – 一般情况下，运行时优化和编译时优化都同时开启，并且要开启union优化： set hive.optimize.union.remove=true;
  – 除了以上三个参数外，还可以 * 通过子查询剔除空key 、 空key转为随机字符串 * 、* 大表拆分为小表分别join再union * 等方式进行优化。

2. Group by 倾斜

• 倾斜原因：默认情况下，map阶段相同的key会分发到同一个reduce端聚合，热点key导致group by 聚合倾斜。
• 解决办法：
  – 开启 map 端聚合： set hive.map.aggr = true; ，默认开启。这个设置会提前在map端聚合，减少数据传输及在reduce阶段的处理时间。通过 set hive.groupby.mapaggr.checkinterval = 100000; 设置在map端聚合操作的条数。当大于该值时，才会进行map端聚合。
  – 开启负载均衡： set hive.groupby.skewindata = true; ，该设置会在数据出现倾斜时，将一个group by 的执行计划拆分为两个阶段MR，第一阶段将key随机分发到不同reduce进行聚合，然后第二阶段MR会基于前一阶段预处理的结果，将相同的key分发到同一个reduce算子，执行聚合操作。

3. Count distinct 倾斜

• 倾斜原因：所有key会分发到同一个reduce进行去重统计个数，数据量较大时导致运行时间过长。
• 解决办法：将 count distinct 改写为 group by 的写法。目的是增加一个MR的操作。

	select count(distinct id) from table; 
	改写为：
	select count(t1.id) from (select id from table group by id) t1;

总结

以上就是个人对HIVE数据倾斜的简单的介绍及解决办法的探讨，请批评指正，谢谢！