数据倾斜
在使用Hive进行大数据处理时，数据倾斜是一个常见的问题，它会导致计算资源的不均匀使用，从而影响整个作业的执行效率。数据倾斜通常发生在MapReduce计算框架的Map端和Reduce端，尤其是在Reduce阶段更为常见。数据倾斜的直观表现是任务进度长时间停留在99%，而实际上只有少数任务在运行，这些任务处理的数据量远大于其他任务
原因：
- Key分布不均匀：某些key的数据量过大，导致这部分数据被分配到同一个Reduce任务上
- 业务数据本身特性：业务数据中某些值的分布不均匀，如大量空值或特定值。
- 表结构设计不合理：在建表时没有考虑到数据分布的均匀性。
- 某些SQL语句本身就可能引起数据倾斜，如包含大量count(distinct)的语句。
解决方案：
- 负载均衡：通过设置hive.groupby.skewindata=true，开启负载均衡，使得MapReduce进程生成额外的MR Job，从而达到负载均衡的目的。
- 小表与大表的Join：使用MapJoin优化，将小表加载到内存中，避免Reduce阶段的数据倾斜。可以通过设置hive.auto.convert.join=true和hive.mapjoin.smalltable.filesize来自动开启MapJoin优化。
- 空值处理：对于大量空值的情况，可以通过给空值分配随机的key值，将其分散到不同的Reduce任务中处理，从而避免数据倾斜。
- 数据类型统一：确保Join操作中关联字段的数据类型一致，避免不同数据类型引起的数据倾斜。
- Count Distinct优化：避免直接使用count(distinct)进行去重统计，可以通过其他方式替换，如使用子查询进行去重后再进行统计。