【Hive 基础】-- 数据倾斜

1.什么是数据倾斜？

由于数据分布不均匀，导致大量数据集中到一点，造成数据热点。常见现象：一个 hive sql 有100个 map/reducer task， 有一个运行了 20分钟，其他99个 task 只运行了 1分钟。

2.产生数据倾斜的原因有哪些？

我个人认为导致数据倾斜的本质原因是数据量过大，导致程序不能按预期结果输出。一般原因有如下几个：

• key 分布不均匀

• sql 不合理

• 建表时类型有问题

3.导致数据倾斜的算子有哪些？

count、disticnt、group by 、join等。

4.常见的解决方案有哪些？

打散key、分段聚合、列裁剪（最好从开发角度和业务角度考虑）、case when 优化。

5.典型场景举例

• 空值 join：在不影响业务的情况下，filter 掉再join；或者分段处理。

• 字段类型不一致导致倾斜：因hash 值不一样，解决：使用相同数据类型

• 某张表数据量过大：使用列裁剪+中间表

• 调整 group by 顺序：partition by / group by 小数据量1，小数据量2 ----> 提高查询速度

• cpu 占用过高：排查 case when 是否可以调整，常见使用数学乘法运算替代。比如 a、b、c 的属性可以使用 boolean 类型，那么使用 0 乘以任何数都是0，1*1 为1 来代替 sum(case when ) 的判断，sql 运行速度可提升数倍。