Hive难点

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。
相关推荐
AI源码3 小时前
基于 Hadoop 和 Hive 的旅游景区数据的分析与可视化系统
hive·hadoop·旅游
DataY轻量数据平台2 天前
任务调度的三种模式:什么时候跑、按什么顺序跑、等谁跑完
数据仓库·etl
演艺大赏2 天前
三个坑连环套:一次 NameNode 起不来,从 JournalNode 未格式化查到配置里多了个挂载点
大数据·hadoop
宽海智能仓储物流2 天前
宽海智能WCS系统常见问题全解析:从选型对接、运维定制到降本增效
运维·数据仓库·自动化
starzy19902 天前
Hadoop介绍总结:一张图理清组件、生态与版本
java·hadoop
演艺大赏3 天前
两个 NameNode 一起起不来以及Hadoop 3.3.2 里那个认不出自家 JournalNode 的 Servlet
大数据·hadoop
演艺大赏3 天前
RESTServer 起不来,日志只有一行:headerCacheSize 65536 exceeds maximum value of 65534
大数据·hadoop·hbase
吾AI科技5 天前
基于Tez引擎的 Hive SQL 性能优化 —— 为什么脚本运行越来越慢
大数据·hive·性能优化·tez
上海潭龙东海科技有限公司6 天前
客运站管控之动态孪生技术方案(新增一屏管控模块
数据仓库·人工智能·算法·重构·动态规划
freejackman10 天前
【工程化】从“单兵作战”到“多引擎架构”:基于门面模式的重构实战
大数据·数据库·hive·sql·测试工具·设计模式·架构