Hive数据倾斜的一般解决思路

[Joldnine]

用Hive做ETL的时候，经常会遇到数据倾斜(Data Stew)的问题，记录总结一下。

分类

平时大概率遇到的可能有以下几类：

1. join
2. group by
3. count distinct

解决办法

join

join时的数据倾斜一般是因为某些key对应的数据量比较大。思路一般是：

1. 数据去重或者裁剪

2. 如果是大表join小表，使用mapjoin

3. 如果知道热点的key的具体值，可以用skewjoin。

4. 思考业务上这样join是不是必须的，这种大量数据的key进行笛卡尔积（Cartesian product）是否合理，有没有变通方法

5. 在特定情况下，以上四种方法都没办法解决，需要具体情况具体分析。这里，我们可以挑一个大商家的经典例子分析一下。

我们有2个表，一个pv表，一个seller表。
dwd_pv 流量表字段:
visit_time, product_id, seller_id
假设有10亿行
dim_seller 卖家表字段:
seller_id, seller_name
假设有一千万行

Query:

SELECT visit_time, product_id, pv.seller_id, seller_name
FROM dwd_pv AS pv
LEFT OUTER JOIN dim_seller AS slr
ON pv.seller_id = slr.seller_id;

这就是一个普通的补字段SQL，但是在某些个seller流量特别大的情况下会发生数据倾斜。
为了解决这个问题，我们先了解一下HIVE里的join(Shuffle Join)发生了什么：

1. map:
2. shuffle:
3. reduce:
   吃饭去了，待续

group by

group by 造成的数据倾斜和join类似，group by里的某个字段数据量太大。思路一般是：

1. 数据去重或者裁剪。
2. MRR做法，group by两次：第一次先在小一点的粒度上group进行初步汇总，目的是把大量数据的字段打散防止热点，然后在目标粒度上对汇总过的数据再group。

count distinct

思路：
key splitting。