Hive企业级调优[5]—— HQL语法优化之数据倾斜

目录

 HQL语法优化之数据倾斜

 数据倾斜概述

 分组聚合导致的数据倾斜

 优化说明

 优化案例

 Join导致的数据倾斜

 优化说明

 优化案例

---

 HQL语法优化之数据倾斜

 数据倾斜概述

数据倾斜问题通常指的是参与计算的数据分布不均，即某个key或某些key的数据量远超其他key，导致在shuffle阶段，大量相同key的数据被发送到同一个Reduce节点，从而使该Reduce节点所需的时间远超其他Reduce节点，成为整个任务的瓶颈。Hive中的数据倾斜常见于分组聚合和join操作的场景中。

 分组聚合导致的数据倾斜

 优化说明

在Hive中，未经优化的分组聚合是通过一个MapReduce Job来实现的。Map端负责读取数据并按分组字段进行分区，通过shuffle将数据发送到Reduce端，在此完成最终的聚合运算。如果分组字段的值分布不均，则可能导致大量相同key的数据进入同一个Reduce，从而引起数据倾斜。

针对由分组聚合导致的数据倾斜问题，有两种解决思路：

1. Map-Side聚合 开启Map-Side聚合后，数据会在Map端完成部分聚合工作。即使原始数据是倾斜的，经过Map端的初步聚合后，发送给Reduce的数据也会更加均匀，从而减轻数据倾斜的问题。相关参数包括：

   • set hive.map.aggr=true; （启用map-side聚合）
   • set hive.map.aggr.hash.min.reduction=0.5; （用于检测源表是否适合进行map-side聚合）
   • set hive.groupby.mapaggr.checkinterval=100000; （用于检测源表是否适合map-side聚合的条数）
   • set hive.map.aggr.hash.force.flush.memory.threshold=0.9; （map-side聚合所用的hash table，占用map task堆内存的最大比例）

2. Skew-GroupBy优化 Skew-GroupBy优化的原理是启动两个MR任务，第一个MR任务按照随机数分区，将数据分散发送到Reduce，完成部分聚合；第二个MR任务按照分组字段分区，完成最终的聚合。相关参数包括：

   • set hive.groupby.skewindata=true; （启用分组聚合数据倾斜优化）

 优化案例

示例SQL语句

hive (default)> select province_id, count(*) from order_detail group by province_id;

优化思路

1. Map-Side聚合 设置参数：
   • set hive.map.aggr=true;
   • set hive.groupby.skewindata=false;
2. Skew-GroupBy优化 设置参数：
   • set hive.groupby.skewindata=true;
   • set hive.map.aggr=false;

 Join导致的数据倾斜

 优化说明

未经优化的join操作，默认使用common join算法，通过一个MapReduce Job完成计算。Map端负责读取join操作所需表的数据，并按照关联字段进行分区，通过shuffle发送到Reduce端，在此完成最终的join操作。如果关联字段的值分布不均，则可能导致大量相同key的数据进入同一个Reduce，从而引起数据倾斜。

对于由join导致的数据倾斜问题，有如下三种解决方案：

1. Map Join 使用map join算法可以在Map端完成join操作，无需shuffle和reduce阶段，适用于大表join小表时发生数据倾斜的情况。相关参数包括：

   • set hive.auto.convert.join=true; （启动Map Join自动转换）
   • set hive.mapjoin.smalltable.filesize=250000; （Common Join转为Map Join的判断条件）
   • set hive.auto.convert.join.noconditionaltask=true; （开启无条件转Map Join）
   • set hive.auto.convert.join.noconditionaltask.size=10000000; （无条件转Map Join时的小表之和阈值）

2. Skew Join Skew Join的原理是为倾斜的大key单独启动一个map join任务进行计算，其余key进行正常的common join。相关参数包括：

   • set hive.optimize.skewjoin=true; （启用skew join优化）
   • set hive.skewjoin.key=100000; （触发skew join的阈值）

3. 调整SQL语句 若参与join的两表均为大表，其中一张表的数据是倾斜的，可以通过调整SQL语句的方式来进行优化。

 优化案例

示例SQL语句

hive (default)> select * from order_detail od join province_info pi on od.province_id=pi.id;

优化思路

1. Map Join 设置参数：

   • set hive.auto.convert.join=true;
   • set hive.optimize.skewjoin=false;

2. Skew Join 设置参数：

   • set hive.optimize.skewjoin=true;
   • set hive.auto.convert.join=false;