数据倾斜是进行大数据计算时常见的问题。
在hive中遇到数据倾斜的解决办法：
一、倾斜原因：输入数据文件多，大小不均匀
解决方法：
set hive.map.aggr=true; //map端部分聚合，相当于Combiner
set hive.groupby.skewindata=true;//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。
二、map和reduce优化。
1.当出现小文件过多，需要合并小文件。可以通过set hive.merge.mapfiles=true来解决。
2.单个文件大小稍稍大于配置的block块的大写，此时需要适当增加map的个数。解决方法：set mapred.map.tasks个数
3.文件大小适中，但map端计算量非常大，如select id,count(*),sum(case when...),sum(case when...)...需要增加map个数。解决方法：set mapred.map.tasks个数，set mapred.reduce.tasks个数
三、当HiveQL中包含count（distinct）时
如果数据量非常大，执行如select a,count(distinct b) from t group by a;类型的SQL时，会出现数据倾斜的问题。
解决方法：使用sum...group by代替。如select a,sum(1) from (select a, b from t group by a,b) group by a;
四、当遇到一个大表和一个小表进行join操作时
解决方法：小表在前，大表在后，或使用mapjoin 将小表加载到内存中。
如：select /*+ MAPJOIN(a) */
a.c1, b.c1 ,b.c2 from a join b
where a.c1 = b.c1;
五、遇到需要进行join的但是关联字段有数据为空，如表一的id需要和表二的id进行关联
解决方法1：id为空的不参与关联
解决方法2：用case when给空值分配随机的key值（字符串+rand()）
转载自：https://www.cnblogs.com/kongcong/p/7777092.html