大數(shù)據(jù)處理時(shí)我們經(jīng)常會遇到數(shù)據(jù)傾斜的問題，尤其是在數(shù)據(jù)量過大時(shí)，數(shù)據(jù)傾斜可能會導(dǎo)致各種各樣的問題。Hadoop數(shù)據(jù)傾斜主要表現(xiàn)為：ruduce階段卡在99.99%，而且是一直99.99%不能結(jié)束。

具體來說就是：mapreduce程序執(zhí)行時(shí)，reduce節(jié)點(diǎn)大部分已經(jīng)執(zhí)行完畢，但是其中會有一個(gè)或者幾個(gè)reduce節(jié)點(diǎn)運(yùn)行速度很慢，從而使得整個(gè)程序的處理時(shí)間很長。原因是：某一個(gè)key的條數(shù)比其他key多出太多，因此這條key所在的reduce節(jié)點(diǎn)所處理的數(shù)據(jù)量就比其他節(jié)點(diǎn)就大很多，這也就造成了某幾個(gè)節(jié)點(diǎn)遲遲運(yùn)行不完。由于Hive是分階段執(zhí)行的，map處理數(shù)據(jù)量的差異，取決于上一個(gè)stage的reduce輸出，因此將數(shù)據(jù)均勻的分配到各個(gè)reduce中，這一點(diǎn)是解決數(shù)據(jù)傾斜的關(guān)鍵。

一、Hadoop數(shù)據(jù)傾斜常見情形

二、Hadoop數(shù)據(jù)傾斜產(chǎn)生原因

1.Hadoop框架的特性

A、Hadoop不怕數(shù)據(jù)大，但是怕數(shù)據(jù)傾斜

B、Jobs 數(shù)多的作業(yè)運(yùn)行效率會相對比較低

C、countdistinct、group by、join等操作，觸發(fā)了Shuffle動作，導(dǎo)致全部相同key的值聚集在一個(gè)或幾個(gè)節(jié)點(diǎn)上，很容易發(fā)生單點(diǎn)問題。

2.具體原因

A：key 分布不均勻，某一個(gè)key的條數(shù)比其他key多太多

B：業(yè)務(wù)數(shù)據(jù)自帶的特性

C：建表時(shí)考慮不全面

D：可能某些 HQL 語句自身就存在數(shù)據(jù)傾斜 問題

三、Hadoop數(shù)據(jù)傾斜處理

1、從業(yè)務(wù)和數(shù)據(jù)方面解決數(shù)據(jù)傾斜

(1)有損的方法：找到異常數(shù)據(jù)。

(2)無損的方法：

對分布不均勻的數(shù)據(jù)，進(jìn)行單獨(dú)計(jì)算

首先對key做一層hash，把數(shù)據(jù)打散，讓它的并行度變大，之后進(jìn)行匯集

(3)數(shù)據(jù)預(yù)處理

2、Hadoop平臺的解決方法

(1)針對join產(chǎn)生的數(shù)據(jù)傾斜

A.大表和小表join產(chǎn)生的數(shù)據(jù)傾斜

a.在多表關(guān)聯(lián)情況下，將小表(關(guān)聯(lián)鍵記錄少的表)依次放到前面，這樣能夠觸發(fā)reduce端減少操作次數(shù)，從而減少運(yùn)行時(shí)間。

b.同時(shí)使用Map Join讓小表緩存到內(nèi)存。在map端完成join過程，這樣就能省掉redcue端的工作。需要注意：這一功能使用時(shí)，需要開啟map-side join的設(shè)置屬性：set hive.auto.convert.join=true(默認(rèn)是false)

還可以對使用這個(gè)優(yōu)化的小表的大小進(jìn)行設(shè)置：set hive.mapjoin.smalltable.filesize=25000000(默認(rèn)值25M)

B.大表和大表的join產(chǎn)生的數(shù)據(jù)傾斜

a.j將異常值賦一個(gè)隨機(jī)值，以此來分散key,均勻分配給多個(gè)reduce去執(zhí)行

b.如果key值都是有效值的情況下，需要設(shè)置以下幾個(gè)參數(shù)來解決

set hive.exec.reducers.bytes.per.reducer = 1000000000

也就是每個(gè)節(jié)點(diǎn)的reduce，其 默認(rèn)是處理數(shù)據(jù)地大小為1G，如果join 操作也產(chǎn)生了數(shù)據(jù)傾斜，那么就在hive 中設(shè)定

set hive.optimize.skewjoin = true;

set hive.skewjoin.key = skew_key_threshold (default = 100000)

(2)group by 造成的數(shù)據(jù)傾斜

解決方式相對簡單：

hive.map.aggr=true  (默認(rèn)true) 這個(gè)配置項(xiàng)代表是否在map端進(jìn)行聚合，相當(dāng)于Combiner

hive.groupby.skewindata

（3）count(distinct)或者其他參數(shù)不當(dāng)造成的數(shù)據(jù)傾斜

A.reduce個(gè)數(shù)太少

set mapred.reduce.tasks=800

B.HiveQL中包含count(distinct)時(shí)

使用sum...group byl來替代。例如select a,sum(1) from (select a, b from t group by a,b) group by a;