1数据倾斜的表现（数据分配不均匀）
- 任务进度长时间维持在99％（或100％），看任务监控页面，发现只有少量（1个
或几个） reduce子任务未完成。因为其处的数据量和其他 reduce差异过大。 - 单一 reduce的记录数与平均记录数差过大，通常可能达到3倍甚至更多。
- 最长时长远大于平均时长。
2数据倾斜产生的原因
key分布不均匀、业务数据特性、建表问题、某SQL语句本身就有数据倾斜（join连接、group by分组和 Count Distinct计算去重后的数量）。
| 关键词 | 情形 | 后果 |
|---|---|---|
| Join | 其中一个表较小，但是key集中 | 分发到某一个或几个Reduce上的数据远高于平均值 |
| 大表与大表，但是分桶的判断字段0值或空值过多 | 这些空值都由一个reduce处理，灰常慢 | |
| group by | group by 维度过小，某值的数量过多 | 处理某值的reduce灰常耗时 |
| Count Distinct | 某特殊值过多 | 处理此特殊值的reduce耗时 |
3数据倾斜的解决方案
3.1参数调节：
hive.map.aggr=true
Map 端部分聚合，相当于Combiner
hive.groupby.skewindata =true
有数据倾斜的时候进行负载均衡，当选项设定为 true，生成的查询计划会有两个 MR Job。第一个 MR Job 中，Map 的输出结果集合会随机分布到 Reduce 中，每个 Reduce 做部分聚合操作，并输出结果，这样处理的结果是相同的 Group By Key 有可能被分发到不同的 Reduce 中，从而达到负载均衡的目的；第二个 MR Job 再根据预处理的数据结果按照 Group By Key 分布到 Reduce 中（这个过程可以保证相同的 Group By Key 被分布到同一个 Reduce 中），最后完成最终的聚合操作。
3.2 SQL语句调节：
如何 Join ：
关于驱动表的选取，选用join key分布最均匀的表作为驱动表
做好列裁剪和filter操作，以达到两表做join的时候，数据量相对变小的效果。
大小表 Join ：
使用map join让小的维度表（1000条以下的记录条数） 先进内存。在map端完成reduce.
大表 Join 大表：
把空值的key变成一个字符串加上随机数，把倾斜的数据分到不同的reduce上，由于null值关联不上，处理后并不影响最终结果。
count distinct 大量相同特殊值
count distinct时，将值为空的情况单独处理，如果是计算count distinct，可以不用处理，直接过滤，在最后结果中加1。如果还有其他计算，需要进行group by，可以先将值为空的记录单独处理，再和其他计算结果进行union。
group by 维度过小：
采用sum() group by的方式来替换count(distinct)完成计算。
特殊情况特殊处理：
在业务逻辑优化效果的不大情况下，有些时候是可以将倾斜的数据单独拿出来处理。最后union回去。