
大数据处理时我们经常会遇到数据倾斜的问题,尤其是在数据量过大时,数据倾斜可能会导致各种各样的问题。Hadoop数据倾斜主要表现为:ruduce阶段卡在99.99%,而且是一直99.99%不能结束。
具体来说就是:mapreduce程序执行时,reduce节点大部分已经执行完毕,但是其中会有一个或者几个reduce节点运行速度很慢,从而使得整个程序的处理时间很长。原因是:某一个key的条数比其他key多出太多,因此这条key所在的reduce节点所处理的数据量就比其他节点就大很多,这也就造成了某几个节点迟迟运行不完。由于Hive是分阶段执行的,map处理数据量的差异,取决于上一个stage的reduce输出,因此将数据均匀的分配到各个reduce中,这一点是解决数据倾斜的关键。
1.Hadoop框架的特性
B、Jobs 数多的作业运行效率会相对比较低
C、countdistinct、group by、join等操作,触发了Shuffle动作,导致全部相同key的值聚集在一个或几个节点上,很容易发生单点问题。
2.具体原因
A:key 分布不均匀,某一个key的条数比其他key多太多
B:业务数据自带的特性
C:建表时考虑不全面
D:可能某些 HQL 语句自身就存在数据倾斜 问题
1、从业务和数据方面解决数据倾斜
(1)有损的方法:找到异常数据。
(2)无损的方法:
对分布不均匀的数据,进行单独计算
首先对key做一层hash,把数据打散,让它的并行度变大,之后进行汇集
(3)数据预处理
2、Hadoop平台的解决方法
(1)针对join产生的数据倾斜
A.大表和小表join产生的数据倾斜
a.在多表关联情况下,将小表(关联键记录少的表)依次放到前面,这样能够触发reduce端减少操作次数,从而减少运行时间。
b.同时使用Map Join让小表缓存到内存。在map端完成join过程,这样就能省掉redcue端的工作。需要注意:这一功能使用时,需要开启map-side join的设置属性:set hive.auto.convert.join=true(默认是false)
还可以对使用这个优化的小表的大小进行设置:set hive.mapjoin.smalltable.filesize=25000000(默认值25M)
B.大表和大表的join产生的数据倾斜
a.j将异常值赋一个随机值,以此来分散key,均匀分配给多个reduce去执行
b.如果key值都是有效值的情况下,需要设置以下几个参数来解决
set hive.exec.reducers.bytes.per.reducer = 1000000000
也就是每个节点的reduce,其 默认是处理数据地大小为1G,如果join 操作也产生了数据倾斜,那么就在hive 中设定
set hive.optimize.skewjoin = true;
set hive.skewjoin.key = skew_key_threshold (default = 100000)
(2)group by 造成的数据倾斜
解决方式相对简单:
hive.map.aggr=true (默认true) 这个配置项代表是否在map端进行聚合,相当于Combiner
hive.groupby.skewindata
(3)count(distinct)或者其他参数不当造成的数据倾斜
A.reduce个数太少
set mapred.reduce.tasks=800
B.HiveQL中包含count(distinct)时
使用sum...group byl来替代。例如select a,sum(1) from (select a, b from t group by a,b) group by a;
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
本次活动市场价2000元,现面向会员免费开放,会员朋友更可以邀请一位非会员免费参加。 【活动目标】 本课程 ...
2025-07-28CDA 数据分析师必备技能全解析 在数据驱动决策的时代,CDA 数据分析师作为连接数据与业务价值的桥梁,需要具备多元化的技能体系 ...
2025-07-28PowerBI 添加索引列全攻略 在使用 PowerBI 进行数据处理与分析时,添加索引列是一项极为实用的操作技巧。索引列能为数据表中的每 ...
2025-07-28t 检验与 Wilcoxon 检验:数据差异分析的两大核心方法 在数据分析的广阔领域中,判断两组或多组数据之间是否存在显著差异是一项 ...
2025-07-28PyTorch 核心机制:损失函数与反向传播如何驱动模型进化 在深度学习的世界里,模型从 “一无所知” 到 “精准预测” 的蜕变,离 ...
2025-07-252025 年 CDA 数据分析师考纲焕新,引领行业人才新标准 在数字化浪潮奔涌向前的当下,数据已成为驱动各行业发展的核心要素。作为 ...
2025-07-25从数据到决策:CDA 数据分析师如何重塑职场竞争力与行业价值 在数字经济席卷全球的今天,数据已从 “辅助工具” 升级为 “核心资 ...
2025-07-25用 Power BI 制作地图热力图:基于经纬度数据的实践指南 在数据可视化领域,地图热力图凭借直观呈现地理数据分布密度的优势,成 ...
2025-07-24解析 insert into select 是否会锁表:原理、场景与应对策略 在数据库操作中,insert into select 是一种常用的批量数据插入语句 ...
2025-07-24CDA 数据分析师的工作范围解析 在数字化时代的浪潮下,数据已成为企业发展的核心资产之一。CDA(Certified Data Analyst)数据分 ...
2025-07-24从 CDA LEVEL II 考试题型看 Python 数据分析要点 在数据科学领域蓬勃发展的当下,CDA(Certified Data Analyst)认证成为众多从 ...
2025-07-23用 Python 开启数据分析之旅:从基础到实践的完整指南 在数据驱动决策的时代,数据分析已成为各行业不可或缺的核心能力。而 Pyt ...
2025-07-23鸢尾花判别分析:机器学习中的经典实践案例 在机器学习的世界里,有一个经典的数据集如同引路明灯,为无数初学者打开了模式识别 ...
2025-07-23解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-07-22解析神经网络中 Softmax 函数的核心作用 在神经网络的发展历程中,激活函数扮演着至关重要的角色,它们为网络赋予了非线性能力, ...
2025-07-22CDA数据分析师证书考取全攻略 一、了解 CDA 数据分析师认证 CDA 数据分析师认证是一套科学化、专业化、国际化的人才考核标准, ...
2025-07-22左偏态分布转正态分布:方法、原理与实践 左偏态分布转正态分布:方法、原理与实践 在统计分析、数据建模和科学研究中,正态分 ...
2025-07-22你是不是也经常刷到别人涨粉百万、带货千万,心里痒痒的,想着“我也试试”,结果三个月过去,粉丝不到1000,播放量惨不忍睹? ...
2025-07-21我是陈辉,一个创业十多年的企业主,前半段人生和“文字”紧紧绑在一起。从广告公司文案到品牌策划,再到自己开策划机构,我靠 ...
2025-07-21CDA 数据分析师的职业生涯规划:从入门到卓越的成长之路 在数字经济蓬勃发展的当下,数据已成为企业核心竞争力的重要来源,而 CD ...
2025-07-21