hive大数据倾斜总结
在做Shuffle階段的優化過程中，遇到了數據傾斜的問題，造成了對一些情況下優化效果不明顯。主要是因為在Job完成后的所得到的Counters是整個Job的總和，優化是基于這些Counters得出的平均值，而由于數據傾斜的原因造成map處理數據量的差異過大，使得這些平均值能代表的價值降低。Hive的執行是分階段的，map處理數據量的差異取決于上一個stage的reduce輸出，所以如何將數據均勻的分配到各個reduce中，就是解決數據傾斜的根本所在。規避錯誤來更好的運行比解決錯誤更高效。在查看了一些資料后，總結如下。
1數據傾斜的原因
1.1操作：
| 關鍵詞 | 情形 | 后果 |
| Join | 其中一個表較小， 但是key集中 | 分發到某一個或幾個Reduce上的數據遠高于平均值 |
| 大表與大表，但是分桶的判斷字段0值或空值過多 | 這些空值都由一個reduce處理，灰常慢 | |
| group by | group by 維度過小， 某值的數量過多 | 處理某值的reduce灰常耗時 |
| Count Distinct | 某特殊值過多 | 處理此特殊值的reduce耗時 |
1.2原因：
1)、key分布不均勻
2)、業務數據本身的特性
3)、建表時考慮不周
4)、某些SQL語句本身就有數據傾斜
?
1.3表現：
任務進度長時間維持在99%（或100%），查看任務監控頁面，發現只有少量（1個或幾個）reduce子任務未完成。因為其處理的數據量和其他reduce差異過大。
單一reduce的記錄數與平均記錄數差異過大，通常可能達到3倍甚至更多。 最長時長遠大于平均時長。
?
2數據傾斜的解決方案
2.1參數調節：
hive.map.aggr=true
Map 端部分聚合，相當于Combiner
hive.groupby.skewindata=true
有數據傾斜的時候進行負載均衡，當選項設定為 true，生成的查詢計劃會有兩個 MR Job。第一個 MR Job 中，Map 的輸出結果集合會隨機分布到 Reduce 中，每個 Reduce 做部分聚合操作，并輸出結果，這樣處理的結果是相同的 Group By Key 有可能被分發到不同的 Reduce 中，從而達到負載均衡的目的；第二個 MR Job 再根據預處理的數據結果按照 Group By Key 分布到 Reduce 中（這個過程可以保證相同的 Group By Key 被分布到同一個 Reduce 中），最后完成最終的聚合操作。
?
2.2 SQL語句調節：
如何Join：
關于驅動表的選取，選用join key分布最均勻的表作為驅動表
做好列裁剪和filter操作，以達到兩表做join的時候，數據量相對變小的效果。
大小表Join：
使用map join讓小的維度表（1000條以下的記錄條數） 先進內存。在map端完成reduce.
大表Join大表：
把空值的key變成一個字符串加上隨機數，把傾斜的數據分到不同的reduce上，由于null值關聯不上，處理后并不影響最終結果。
count distinct大量相同特殊值
count distinct時，將值為空的情況單獨處理，如果是計算count distinct，可以不用處理，直接過濾，在最后結果中加1。如果還有其他計算，需要進行group by，可以先將值為空的記錄單獨處理，再和其他計算結果進行union。
group by維度過小：
采用sum() group by的方式來替換count(distinct)完成計算。
特殊情況特殊處理：
在業務邏輯優化效果的不大情況下，有些時候是可以將傾斜的數據單獨拿出來處理。最后union回去。
?
3典型的業務場景
3.1空值產生的數據傾斜
場景：如日志中，常會有信息丟失的問題，比如日志中的 user_id，如果取其中的 user_id 和 用戶表中的user_id 關聯，會碰到數據傾斜的問題。
解決方法1：?user_id為空的不參與關聯（紅色字體為修改后）
?
?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;
?
解決方法2?：賦與空值分新的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;
?
結論：方法2比方法1效率更好，不但io少了，而且作業數也少了。解決方法1中 log讀取兩次，jobs是2。解決方法2 job數是1 。這個優化適合無效 id (比如 -99 , ’’, null 等) 產生的傾斜問題。把空值的 key 變成一個字符串加上隨機數，就能把傾斜的數據分到不同的reduce上 ,解決數據傾斜問題。
?
3.2不同數據類型關聯產生數據傾斜
場景：用戶表中user_id字段為int，log表中user_id字段既有string類型也有int類型。當按照user_id進行兩個表的Join操作時，默認的Hash操作會按int型的id來進行分配，這樣會導致所有string類型id的記錄都分配到一個Reducer中。
解決方法：把數字類型轉換成字符串類型
?
?select * from users a
left outer join logs b
on a.usr_id = cast(b.user_id as string)
?
3.3小表不小不大，怎么用 map join 解決傾斜問題
使用 map join 解決小表(記錄數少)關聯大表的數據傾斜問題，這個方法使用的頻率非常高，但如果小表很大，大到map join會出現bug或異常，這時就需要特別的處理。?以下例子:
?
?select * from log a
left outer join users b
on a.user_id = b.user_id;
?
users 表有 600w+ 的記錄，把 users 分發到所有的 map 上也是個不小的開銷，而且 map join 不支持這么大的小表。如果用普通的 join，又會碰到數據傾斜的問題。
解決方法：
?
?select /*+mapjoin(x)*/* from log a
left outer join (
select /*+mapjoin(c)*/d.*
from ( select distinct user_id from log ) c
join users d
on c.user_id = d.user_id
) x
on a.user_id = b.user_id;
?
假如，log里user_id有上百萬個，這就又回到原來map join問題。所幸，每日的會員uv不會太多，有交易的會員不會太多，有點擊的會員不會太多，有傭金的會員不會太多等等。所以這個方法能解決很多場景下的數據傾斜問題。
?
3.4大表join大表，業務場景如何優化
用戶軌跡工程的性能瓶頸一直是etract_track_info，其中耗時大戶主要在于trackinfo與pm_info進行左關聯的環節，trackinfo與pm_info兩張表均為GB級別，左關聯代碼塊如下：
?from trackinfo a
left outer join pm_info b
on (a.ext_field7 = b.id)
使用以上代碼塊需要耗時1.5小時。
優化流程
第一次優化
考慮到pm_info表的id是bigint類型，trackinfo表的ext_field7是string類型，其關聯時數據類型不一致，默認的hash操作會按bigint型的id進行分配，這樣會導致所有string類型的ext_field7集中到一個reduce里面，因此，改為如下：
?from trackinfo a
left outer join pm_info b
on (cast(a.ext_field7as bigint) = b.id)
改動為上面代碼后，效果仍然不理想，耗時為1.5小時。
第二次優化
考慮到trackinfo表的ext_field7字段缺失率很高（為空、字段長度為零、字段填充了非整數）情況，做進行左關聯時空字段的關聯操作實際上沒有意義，因此，如果左表關聯字段ext_field7為無效字段，則不需要關聯，因此，改為如下：
?from trackinfo a
left outer join pm_info b
on (a.ext_field7 is not null
and length(a.ext_field7) > 0
and a.ext_field7 rlike'^[0-9]+$'
and a.ext_field7 = b.id)
上面代碼塊的作用是，如果左表關聯字段ext_field7為無效字段時（為空、字段長度為零、字段填充了非整數），不去關聯右表，由于空字段左關聯以后取到的右表字段仍然為null，所以不會影響結果。
改動為上面代碼后，效果仍然不理想，耗時為50分鐘。
第三次優化
想了很久，第二次優化效果效果不理想的原因，其實是在左關聯中，雖然設置了左表關聯字段為空不去關聯右表，但是這樣做，左表中未關聯的記錄（ext_field7為空）將會全部聚集在一個reduce中進行處理，體現為reduce進度長時間處在99%。
換一種思路，解決辦法的突破點就在于如何把左表的未關聯記錄的key盡可能打散，因此可以這么做：若左表關聯字段無效（為空、字段長度為零、字段填充了非整數），則在關聯前將左表關聯字段設置為一個隨機數，再去關聯右表，這么做的目的是即使是左表的未關聯記錄，它的key也分布得十分均勻
from trackinfo a
left outer join pm_info b
on (
casewhen (a.ext_field7 is not null
andlength(a.ext_field7) > 0
anda.ext_field7 rlike '^[0-9]+$')
then
cast(a.ext_field7as bigint)
else
cast(ceiling(rand() * -65535)as bigint)
end= b.id
)
第三次改動后，耗時從50分鐘降為了1分鐘32秒，效果顯著！
4總結
使map的輸出數據更均勻的分布到reduce中去，是我們的最終目標。由于Hash算法的局限性，按key Hash會或多或少的造成數據傾斜。大量經驗表明數據傾斜的原因是人為的建表疏忽或業務邏輯可以規避的。在此給出較為通用的步驟：
1、采樣log表，哪些user_id比較傾斜，得到一個結果表tmp1。由于對計算框架來說，所有的數據過來，他都是不知道數據分布情況的，所以采樣是并不可少的。
2、數據的分布符合社會學統計規則，貧富不均。傾斜的key不會太多，就像一個社會的富人不多，奇特的人不多一樣。所以tmp1記錄數會很少。把tmp1和users做map join生成tmp2,把tmp2讀到distribute file cache。這是一個map過程。
3、map讀入users和log，假如記錄來自log,則檢查user_id是否在tmp2里，如果是，輸出到本地文件a,否則生成<user_id,value>的key,value對，假如記錄來自member,生成<user_id,value>的key,value對，進入reduce階段。
4、最終把a文件，把Stage3 reduce階段輸出的文件合并起寫到hdfs。
?
如果確認業務需要這樣傾斜的邏輯，考慮以下的優化方案：
1、對于join，在判斷小表不大于1G的情況下，使用map join
2、對于group by或distinct，設定?hive.groupby.skewindata=true
3、盡量使用上述的SQL語句調節進行優化
總結
以上是生活随笔為你收集整理的hive大数据倾斜总结的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Hive自定义UDF UDAF UDTF
- 下一篇： Hive分析窗口函数系列文章