Hive扩展内容

一个SQL语句的分析

复制SELECT a.Key, SUM(a.Cnt) AS Cnt
FROM (
    SELECT Key, COUNT(*) AS Cnt
    FROM TableName
    GROUP BY Key,
    CASE
        WHEN Key = 'KEY001' THEN Hash(Random()) % 50
        ELSE 0
    END
) a
GROUP BY a.Key;

这个SQL其实是一个解决数据倾斜的SQL

先看里面的select语句，里面的select语句其实是根据key进行分组，但是这个key对应的数据存在数据倾斜，key=KEY001的数据占了整份数据的90%，所以直接针对key进行分组肯定会出现数据倾斜，应该计算效率，所以在这里就实现了曲线救国，先把key=KEY001的数据打散，分成50份，进行局部聚合

最后再通过外面的select进行全局的聚合，这样就可以显著提高计算效率

Hive数据倾斜的解决方案

可能会触发Hive数据倾斜的几种情况

关键字	情形	后果
join	其中一个表较小，但是key集中	分发到某一个或几个reduce
	大表与小表，但是分桶的判断字段0值或空值过多	这些空值都由一个reduce处理
group by	group by维度过小，处理的数量过多	处理某值的reduce非常多
count distinct	某特殊值过多	处理此特殊值的reduce非常多

原因

• key分布不均匀
• 业务数据本身的特性
• 建表时考虑不周
• 某些SQL语句本身就有数据倾斜

表现

• 任务进度长时间维持在99%（或100%），查看任务监控页面，发现只有少量（1个或几个）reduce子任务未完成。因为其处理的数据量和其他reduce差异过大。
• 单一reduce的记录数与平均记录数差异过大，通常可能达到3倍甚至更多。 最长时长远大于平均时长。

数据倾斜的解决方案

参数调节：
hive.map.aggr=true
hive.groupby.skewindata=true

有数据倾斜的时候进行负载均衡，当选项设定为 true，生成的查询计划会有两个 MR Job。第一个 MRJob 中，Map 的输出结果集合会随机分布到 Reduce 中，每个 Reduce 做部分聚合操作，并输出结果，这样处理的结果是相同的 Group By Key 有可能被分发到不同的 Reduce 中，从而达到负载均衡的目的；第二个 MR Job 再根据预处理的数据结果按照 Group By Key 分布到 Reduce 中（这个过程可以保证相同的Group By Key 被分布到同一个 Reduce 中），最后完成最终的聚合操作。

SQL语句调节：

大小表Join：使用map join让小的维度表（1000条以下的记录条数） 先进内存。在map端完成reduce.
大表Join大表：把空值的key变成一个字符串加上随机数，把倾斜的数据分到不同的reduce上，由于null值关联不上，处理后并不影响最终结果。

count distinct大量相同特殊值
count distinct时，将值为空的情况单独处理，如果是计算count distinct，可以不用处理，直接过滤，在最后结果中加1。如果还有其他计算，需要进行group by，可以先将值为空的记录单独处理，再和其他计算结果进行union。

针对去重求和的需求还可以这样做：采用sum() group by的方式来替换count(distinct)完成计算。

特殊情况特殊处理：在业务逻辑优化效果的不大情况下，有些时候是可以将倾斜的数据单独拿出来处理。最后union回去。

Hue的使用

Hue-非技术人员操作Hive的利器 官方测试地址

Hive中的存储格式及压缩格式

参考

HDFS存储格式及压缩算法
一文搞懂Hive存储格式及压缩格式，太清晰了！