Hive千億級資料傾斜解決方案（好文收藏）

資料傾斜問題剖析

資料傾斜是分布式系統不可避免的問題，任何分布式系統都有幾率發生資料傾斜，但有些小夥伴在平時工作中感覺不是很明顯。這裡要注意本篇文章的标題—“千億級資料”，為什麼說千億級，因為如果一個任務的資料量隻有幾百萬，它即使發生了資料傾斜，所有資料都跑到一台機器去執行，對于幾百萬的資料量，一台機器執行起來還是毫無壓力的，這時資料傾斜對我們感覺不大，隻有資料達到一個量級時，一台機器應付不了這麼多資料，這時如果發生資料傾斜，最後就很難算出結果。

是以就需要我們對資料傾斜的問題進行優化，盡量避免或減輕資料傾斜帶來的影響。

在解決資料傾斜問題之前，還要再提一句：沒有瓶頸時談論優化，都是自尋煩惱。

大家想想，在map和reduce兩個階段中，最容易出現資料傾斜的就是reduce階段，因為map到reduce會經過shuffle階段，在shuffle中預設會按照key進行hash，如果相同的key過多，那麼hash的結果就是大量相同的key進入到同一個reduce中，導緻資料傾斜。

那麼有沒有可能在map階段就發生資料傾斜呢，是有這種可能的。

一個任務中，資料檔案在進入map階段之前會進行切分，預設是128M一個資料塊，但是如果當對檔案使用GZIP壓縮等不支援檔案分割操作的壓縮方式時，MR任務讀取壓縮後的檔案時，是對它切分不了的，該壓縮檔案隻會被一個任務所讀取，如果有一個超大的不可切分的壓縮檔案被一個map讀取時，就會發生map階段的資料傾斜。

是以，從本質上來說，發生資料傾斜的原因有兩種：一是任務中需要處理大量相同的key的資料。二是任務讀取不可分割的大檔案。

MapReduce和Spark中的資料傾斜解決方案原理都是類似的，以下讨論Hive使用MapReduce引擎引發的資料傾斜，Spark資料傾斜也可以此為參照。

實際業務中有些大量的null值或者一些無意義的資料參與到計算作業中，表中有大量的null值，如果表之間進行join操作，就會有shuffle産生，這樣所有的null值都會被配置設定到一個reduce中，必然産生資料傾斜。

之前有小夥伴問，如果A、B兩表join操作，假如A表中需要join的字段為null，但是B表中需要join的字段不為null，這兩個字段根本就join不上啊，為什麼還會放到一個reduce中呢？

這裡我們需要明确一個概念，資料放到同一個reduce中的原因不是因為字段能不能join上，而是因為shuffle階段的hash操作，隻要key的hash結果是一樣的，它們就會被拉到同一個reduce中。

解決方案：

第一種：可以直接不讓null值參與join操作，即不讓null值有shuffle階段

第二種：因為null值參與shuffle時的hash結果是一樣的，那麼我們可以給null值随機指派，這樣它們的hash結果就不一樣，就會進到不同的reduce中：

對于兩個表join，表a中需要join的字段key為int，表b中key字段既有string類型也有int類型。當按照key進行兩個表的join操作時，預設的Hash操作會按int型的id來進行配置設定，這樣所有的string類型都被配置設定成同一個id，結果就是所有的string類型的字段進入到一個reduce中，引發資料傾斜。

如果key字段既有string類型也有int類型，預設的hash就都會按int類型來配置設定，那我們直接把int類型都轉為string就好了，這樣key字段都為string，hash時就按照string類型配置設定了：

當叢集的資料量增長到一定規模，有些資料需要歸檔或者轉儲，這時候往往會對資料進行壓縮；當對檔案使用GZIP壓縮等不支援檔案分割操作的壓縮方式，在日後有作業涉及讀取壓縮後的檔案時，該壓縮檔案隻會被一個任務所讀取。如果該壓縮檔案很大，則處理該檔案的Map需要花費的時間會遠多于讀取普通檔案的Map時間，該Map任務會成為作業運作的瓶頸。這種情況也就是Map讀取檔案的資料傾斜。

這種資料傾斜問題沒有什麼好的解決方案，隻能将使用GZIP壓縮等不支援檔案分割的檔案轉為bzip和zip等支援檔案分割的壓縮方式。

是以，我們在對檔案進行壓縮時，為避免因不可拆分大檔案而引發資料讀取的傾斜，在資料壓縮的時候可以采用bzip2和Zip等支援檔案分割的壓縮算法。

在多元聚合計算時，如果進行分組聚合的字段過多，如下：

<code>select a，b，c，count（1）from log group by a，b，c with rollup;</code>

注：對于最後的<code>with rollup</code>關鍵字不知道大家用過沒，with rollup是用來在分組統計資料的基礎上再進行統計彙總，即用來得到group by的彙總資訊。

如果上面的log表的資料量很大，并且Map端的聚合不能很好地起到資料壓縮的情況下，會導緻Map端産出的資料急速膨脹，這種情況容易導緻作業記憶體溢出的異常。如果log表含有資料傾斜key，會加劇Shuffle過程的資料傾斜。

可以拆分上面的sql，将<code>with rollup</code>拆分成如下幾個sql：

但是，上面這種方式不太好，因為現在是對3個字段進行分組聚合，那如果是5個或者10個字段呢，那麼需要拆解的SQL語句會更多。

在Hive中可以通過參數 <code>hive.new.job.grouping.set.cardinality</code>

配置的方式自動控制作業的拆解，該參數預設值是30。表示針對grouping

sets/rollups/cubes這類多元聚合的操作，如果最後拆解的鍵組合大于該值，會啟用新的任務去處理大于該值之外的組合。如果在處理資料時，某個分組聚合的列有較大的傾斜，可以适當調小該值。

兩表進行普通的repartition join時，如果表連接配接的鍵存在傾斜，那麼在 Shuffle 階段必然會引起資料傾斜。

通常做法是将傾斜的資料存到分布式緩存中，分發到各個Map任務所在節點。在Map階段完成join操作，即MapJoin，這避免了 Shuffle，進而避免了資料傾斜。

MapJoin是Hive的一種優化操作，其适用于小表JOIN大表的場景，由于表的JOIN操作是在Map端且在記憶體進行的，是以其并不需要啟動Reduce任務也就不需要經過shuffle階段，進而能在一定程度上節省資源提高JOIN效率。

在Hive 0.11版本之前，如果想在Map階段完成join操作，必須使用MAPJOIN來标記顯示地啟動該優化操作，由于其需要将小表加載進記憶體是以要注意小表的大小。

如将a表放到Map端記憶體中執行，在Hive 0.11版本之前需要這樣寫：

如果想将多個表放到Map端記憶體中，隻需在mapjoin()中寫多個表名稱即可，用逗号分隔，如将a表和c表放到Map端記憶體中，則 <code>/* +mapjoin(a,c) */</code> 。

在Hive 0.11版本及之後，Hive預設啟動該優化，也就是不在需要顯示的使用MAPJOIN标記，其會在必要的時候觸發該優化操作将普通JOIN轉換成MapJoin，可以通過以下兩個屬性來設定該優化的觸發時機：

<code>hive.auto.convert.join=true</code> 預設值為true，自動開啟MAPJOIN優化。

<code>hive.mapjoin.smalltable.filesize=2500000</code> 預設值為2500000(25M)，通過配置該屬性來确定使用該優化的表的大小，如果表的大小小于此值就會被加載進記憶體中。

注意：使用預設啟動該優化的方式如果出現莫名其妙的BUG(比如MAPJOIN并不起作用)，就将以下兩個屬性置為fase手動使用MAPJOIN标記來啟動該優化:

<code>hive.auto.convert.join=false</code> (關閉自動MAPJOIN轉換操作)

<code>hive.ignore.mapjoin.hint=false</code> (不忽略MAPJOIN标記)

再提一句：将表放到Map端記憶體時，如果節點的記憶體很大，但還是出現記憶體溢出的情況，我們可以通過這個參數 <code>mapreduce.map.memory.mb</code> 調節Map端記憶體的大小。

在一些操作中，我們沒有辦法減少資料量，如在使用 collect_list 函數時：

collect_list：将分組中的某列轉為一個數組傳回。

在上述sql中，s_age如果存在資料傾斜，當資料量大到一定的數量，會導緻處理傾斜的reduce任務産生記憶體溢出的異常。

注：collect_list輸出一個數組，中間結果會放到記憶體中，是以如果collect_list聚合太多資料，會導緻記憶體溢出。

有小夥伴說這是 group by 分組引起的資料傾斜，可以開啟<code>hive.groupby.skewindata</code>參數來優化。我們接下來分析下：

開啟該配置會将作業拆解成兩個作業，第一個作業會盡可能将Map的資料平均配置設定到Reduce階段，并在這個階段實作資料的預聚合，以減少第二個作業處理的資料量；第二個作業在第一個作業處理的資料基礎上進行結果的聚合。

<code>hive.groupby.skewindata</code>的核心作用在于生成的第一個作業能夠有效減少數量。但是對于collect_list這類要求全量操作所有資料的中間結果的函數來說，明顯起不到作用，反而因為引入新的作業增加了磁盤和網絡I/O的負擔，而導緻性能變得更為低下。

這類問題最直接的方式就是調整reduce所執行的記憶體大小。

調整reduce的記憶體大小使用<code>mapreduce.reduce.memory.mb</code>這個配置。

--END--