Hadoop数据倾斜产生的原因是什么？如何进行处理？

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。

一、Hadoop数据倾斜常见情形

二、Hadoop数据倾斜产生原因

1.Hadoop框架的特性

A、Hadoop不怕数据大，但是怕数据倾斜

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

三、Hadoop数据倾斜处理

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;