大数据Hive——数据倾斜_数据倾斜分桶

什么是数据倾斜呢?

简单的讲，数据倾斜就是在我们计算的时候，由于数据的分布不均，导致大量的数据集中在一台或者几台服务器上，造成数据的热点问题，这些数据的计算速度往往低于平均计算速度，从而导致整个计算过程变慢

• 用Hive算数据的时候reduce阶段卡在99.99%

• 用SparkStreaming做实时算法时候，一直会有executor出现OOM的错误，但是其余的executor内存使用率却很低。

hive优化方法

1- join优化

在表的关联时，因为关联字段的原因造成某个reduce处理的数据量过大，产生数据的倾斜，导致计算时间过长

方案一： Mapjoin

Map join 在每一个maptask读取数据的时候，每读取一条，就会和内存中的数据进行匹配，如果匹配的上，将数据合并在一起输出

优点：将原有的reduce join 问题全部解决

缺点：1 比较消耗内存

2 要求整个join中，必须都有一个小表，否则无法放入内存

仅适用于：小表join大表 /大表join小表

设置放法：

set hive.auto.convert.join=true; -- 开启 map join的支持 默认值为True
 
set hive.auto.convert.join.noconditionaltask.size=20971520; -- 设置 小表数据量的最大阈值: 默认值为 20971520(20M)

方案二 Bucket Map Join

1-开启Bucket Map Join支持：

2-Join两个表必须是分桶表

3-一个表的分桶数量是另一个表的分桶数量的整倍数

4-分桶列必须是join的ON条件的列 join tb1.id = tb2.id

5-必须建立在Map Join场景中

设置方法：

set hive.optimize.bucketmapjoin =true;

方案三 ：SBM Join

1-两个表必须都是分桶表

2-开启SMB Join支持： set hive.auto.convert.sortmerge.join=true; set hive.optimize.bucketmapjoin.sortedmerge =true;

set hive.auto.convert.sortmerge.join.noconditionaltask=true;

3-两个表的分桶的数量是一致的

4-分桶列必须是join的on条件的列，同时必须保证按照分桶列进行排序操作 当向表中写入数据是，按照分桶字段进行排序写入

--开启强制排序 ​ set hive.enforce.sorting=true;

--在建分桶表使用：必须使用sorted by() 5- 应用在Bucket Map Join场景中

--开启bucket map join

set hive.optimize.bucketmapjoin =true; 6-必须开启HIVE自动尝试使用SMB方案：

set hive.optimize.bucketmapjoin.sortedmerge =true;

当相关服务都开启后，有hive决定使用那种方式进行关联

1-判断表是不是 分桶表，在判断表的大小 如果不是分桶，但是属于小表 触发mapjoin

2-判断表是分桶，但是分桶数量不一致 触发Bucket Map Join

3-断表是分桶，但是分桶数量一致，关联字段是顺序的 触发SMB Join

如果条件不符和上面要求，就执行一般join流程，可能出现数据倾斜

在运行期间

运行期处理方案:

思路: 在执行MR的时候, 会动态统计每一个 k2的值出现重复的次数, 当这个重复的次数达到一定的阈值后, 认为

当前这个k2的数据存在数据倾斜, 自动将其剔除, 交由给一个单独的MR来处理即可,两个MR处理完成后, 将结果基于

union all 合并在一起即可

实操:

set hive.optimize.skewjoin=true; -- 阈值, 此参数在实际生产环境中, 需要调整在一个合理的值(否则极易导致大量的key都是倾斜的) set hive.skewjoin.key=100000;

group by 造成的数据倾斜

将相同的分组数据放在一个reduce中处理，造成数据倾斜

方案一

基于MR的 combiner(规约, 提前聚合) 减少数据达到reduce数量, 从而减轻倾斜问题

-- 只需要在HIVE中开启combiner提前聚合配置参数即可:
set hive.map.aggr=true;

方案二

负载均衡的解决方案(需要运行两个MR来处理) (大combiner方案）

-- 只需要开启负载均衡的HIVE参数配置即可:
set hive.groupby.skewindata=true;

如果说分组的字段对应的数据较多，建议只用负载均衡解决方案

3 索引优化

用来提升查询速度

Row Group Index索引

行组索引

条件:

1) 要求表的存储类型为ORC存储格式

2) 在创建表的时候, 必须开启 row group index 索引支持'orc.create.index'='true'

3) 在插入数据的时候, 必须保证按照where过滤的字段进行数据的顺序插入

适用于: 数值类型的, 并且对数值类型进行 不等的过滤操作

Bloom Fliter Index索引

布隆索引

条件:

1) 要求表的存储类型为 ORC存储方案

2) 在建表的时候, 必须设置为那些列构建布隆索引

3) 仅能适合于等值过滤查询操作