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
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14