Hive 数据倾斜怎么发现，怎么定位，怎么解决
多数介绍数据倾斜的文章都是以大篇幅的理论为主，并没有给出具体的数据倾斜案例。当工作中遇到了倾斜问题，这些理论很难直接应用，导致我们面对倾斜时还是不知所措。
今天我们不扯大篇理论，直接以例子来实践，排查是否出现了数据倾斜，具体是哪段代码导致的倾斜，怎么解决这段代码的倾斜。
当执行过程中任务卡在 99%，大概率是出现了数据倾斜，但是通常我们的 SQL 很大，需要判断出是哪段代码导致的倾斜，才能利于我们解决倾斜。通过下面这个非常简单的例子来看下如何定位产生数据倾斜的代码。
本文首发在公众号【五分钟学大数据】
表结构描述
先来了解下这些表中我们需要用的字段及数据量：
表的字段非常多，此处仅列出我们需要的字段
第一张表：user_info （用户信息表，用户粒度）
字段名 字段含义 字段描述 userkey 用户 key 用户标识 idno 用户的身份证号 用户实名认证时获取 phone 用户的手机号 用户注册时的手机号 name 用户的姓名 用户的姓名
user_info 表的数据量：1.02 亿，大小：13.9G，所占空间：41.7G（HDFS三副本）
第二张表：user_active （用户活跃表，用户粒度）
字段名 字段含义 字段描述 userkey 用户 key 用户没有注册会分配一个 key user_active_at 用户的最后活跃日期 从埋点日志表中获取用户的最后活跃日期
user_active 表的数据量：1.1 亿
第三张表：user_intend（用户意向表，此处只取近六个月的数据，用户粒度）
字段名 字段含义 字段描述 phone 用户的手机号 有意向的用户必须是手机号注册的用户 intend_commodity 用户意向次数最多的商品 客户对某件商品意向次数最多 intend_rank 用户意向等级 用户的购买意愿等级，级数越高，意向越大
user_intend 表的数据量：800 万
第四张表：user_order（用户订单表，此处只取近六个月的订单数据，用户粒度）
字段名 字段含义 字段描述 idno 用户的身份证号 下订单的用户都是实名认证的 order_num 用户的订单次数 用户近六个月下单次数 order_amount 用户的订单总金额 用户近六个月下单总金额
user_order 表的数据量：640 万
1. 需求
需求非常简单，就是将以上四张表关联组成一张大宽表，大宽表中包含用户的基本信息，活跃情况，购买意向及此用户下订单情况。
2. 代码
根据以上需求，我们以 user_info 表为基础表，将其余表关联为一个宽表，代码如下：
select
a.userkey,
a.idno,
a.phone,
a.name,
b.user_active_at,
c.intend_commodity,
c.intend_rank,
d.order_num,
d.order_amount
from user_info a
left join user_active b on a.userkey = b.userkey
left join user_intend c on a.phone = c.phone
left join user_order d on a.idno = d.idno;
执行上述语句，在执行到某个 job 时任务卡在 99%：
这时我们就应该考虑出现数据倾斜了。其实还有一种情况可能是数据倾斜，就是任务超时被杀掉，Reduce 处理的数据量巨大，在做 full gc 的时候，stop the world。导致响应超时，超出默认的 600 秒，任务被杀掉。报错信息一般如下：
AttemptID:attempt_1624419433039_1569885_r_000000 Timed outafter 600 secs Container killed by the ApplicationMaster. Container killed onrequest. Exit code is 143 Container exited with a non-zero exit code 143
3. 倾斜问题排查
数据倾斜大多数都是大 key 问题导致的。
如何判断是大 key 导致的问题，可以通过下面方法：
1. 通过时间判断
如果某个 reduce 的时间比其他 reduce 时间长的多，如下图，大部分 task 在 1 分钟之内完成，只有 r_000000 这个 task 执行 20 多分钟了还没完成。
注意：要排除两种情况：
- 如果每个 reduce 执行时间差不多，都特别长，不一定是数据倾斜导致的，可能是 reduce 设置过少导致的。
- 有时候，某个 task 执行的节点可能有问题，导致任务跑的特别慢。这个时候，mapreduce 的推测执行，会重启一个任务。如果新的任务在很短时间内能完成，通常则是由于 task 执行节点问题导致的个别 task 慢。但是如果推测执行后的 task 执行任务也特别慢，那更说明该 task 可能会有倾斜问题。
2. 通过任务 Counter 判断
Counter 会记录整个 job 以及每个 task 的统计信息。counter 的 url 一般类似：
http://bd001:8088/proxy/application_1624419433039_1569885/mapreduce/singletaskcounter/task_1624419433039_1569885_r_000000/org.apache.hadoop.mapreduce.FileSystemCounter
通过输入记录数，普通的 task counter 如下，输入的记录数是 13 亿多:
而 task=000000 的 counter 如下，其输入记录数是 230 多亿。是其他任务的 100 多倍：
4. 定位 SQL 代码
1. 确定任务卡住的 stage
- 通过 jobname 确定 stage： 一般 Hive 默认的 jobname 名称会带上 stage 阶段，如下通过 jobname 看到任务卡住的为 Stage-4：
- 如果 jobname 是自定义的，那可能没法通过 jobname 判断 stage。需要借助于任务日志： 找到执行特别慢的那个 task，然后 Ctrl+F 搜索 “CommonJoinOperator: JOIN struct” 。Hive 在 join 的时候，会把 join 的 key 打印到日志中。如下：
上图中的关键信息是：struct<_col0:string, _col1:string, _col3:string>
这时候，需要参考该 SQL 的执行计划。通过参考执行计划，可以断定该阶段为 Stage-4 阶段：
2. 确定 SQL 执行代码
确定了执行阶段，即 stage。通过执行计划，则可以判断出是执行哪段代码时出现了倾斜。还是从此图，这个 stage 中进行连接操作的表别名是 d：
就可以推测出是在执行下面红框中代码时出现了数据倾斜，因为这行的表的别名是 d：
5. 解决倾斜
我们知道了哪段代码引起的数据倾斜，就针对这段代码查看倾斜原因，看下这段代码的表中数据是否有异常。
倾斜原因:
本文的示例数据中 user_info 和 user_order 通过身份证号关联，检查发现 user_info 表中身份证号为空的有 7000 多万，原因就是这 7000 多万数据都分配到一个 reduce 去执行，导致数据倾斜。
解决方法：
- 可以先把身份证号为空的去除之后再关联，最后按照 userkey 连接，因为 userkey 全部都是有值的：
with t1 as(
select
u.userkey,
o.*
from user_info u
left join user_order o
on u.idno = o.idno
where u.idno is not null
--是可以把where条件写在后面的，hive会进行谓词下推，先执行where条件在执行 left join
)
select
a.userkey,
a.idno,
a.phone,
a.name,
b.user_active_at,
c.intend_commodity,
c.intend_rank,
d.order_num,
d.order_amount
from user_info a
left join user_active b on a.userkey = b.userkey
left join user_intend c on a.phone = c.phone
left join t1 d on a.userkey = d.userkey;
- 也可以这样，给身份证为空的数据赋个随机值，但是要注意随机值不能和表中的身份证号有重复：
select
a.userkey,
a.idno,
a.phone,
a.name,
b.user_active_at,
c.intend_commodity,
c.intend_rank,
d.order_num,
d.order_amount
from user_info a
left join user_active b on a.userkey = b.userkey
left join user_intend c on a.phone = c.phone
left join user_order d on nvl(a.idno,concat(rand(),'idnumber')) = d.idno;
其他的解决数据倾斜的方法：
1. 过滤掉脏数据
如果大 key 是无意义的脏数据，直接过滤掉。本场景中大 key 有实际意义，不能直接过滤掉。
2. 数据预处理
数据做一下预处理（如上面例子，对 null 值赋一个随机值），尽量保证 join 的时候，同一个 key 对应的记录不要有太多。
3. 增加 reduce 个数
如果数据中出现了多个大 key，增加 reduce 个数，可以让这些大 key 落到同一个 reduce 的概率小很多。
配置 reduce 个数：
set mapred.reduce.tasks = 15;
4. 转换为 mapjoin
如果两个表 join 的时候，一个表为小表，可以用 mapjoin 做。
配置 mapjoin：
set hive.auto.convert.join = true; 是否开启自动mapjoin，默认是true
set hive.mapjoin.smalltable.filesize=100000000; mapjoin的表size大小
5. 启用倾斜连接优化
hive 中可以设置 hive.optimize.skewjoin 将一个 join sql 分为两个 job。同时可以设置下 hive.skewjoin.key，此参数表示 join 连接的 key 的行数超过指定的行数，就认为该键是偏斜连接键，就对 join 启用倾斜连接优化。默认 key 的行数是 100000。
配置倾斜连接优化：
set hive.optimize.skewjoin=true; 启用倾斜连接优化
set hive.skewjoin.key=200000; 超过20万行就认为该键是偏斜连接键
6. 调整内存设置
适用于那些由于内存超限任务被 kill 掉的场景。通过加大内存起码能让任务跑起来，不至于被杀掉。该参数不一定会明显降低任务执行时间。
配置内存：
set mapreduce.reduce.memory.mb=5120; 设置reduce内存大小
set mapreduce.reduce.java.opts=-Xmx5000m -XX:MaxPermSize=128m;
附：Hive 配置属性官方链接：https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties
