相关文章推荐:
hive使用技巧(一)自动化动态分配表分区及修改hive表字段名称
hive使用技巧(四)——巧用MapJoin解决数据倾斜问题
Hive的MapJoin,在Join 操作在 Map 阶段完成,如果需要的数据在 Map 的过程中可以访问到则不再需要Reduce。
小表关联一个超大表时,容易发生数据倾斜,可以用MapJoin把小表全部加载到内存在map端进行join,避免reducer处理。
实则分析
select c.channel_name,count(t.requesturl) PV from ods.cms_channel c join (select host,requesturl from dms.tracklog_5min where day='20151111' ) t on c.channel_name=t.host group by c.channel_name order by c.channel_name;
上以为小表join大表的操作,可以使用mapjoin把小表放到内存中处理,语法很简单只需要增加 /*+ MAPJOIN(pt) */ ,把需要分发的表放入到内存中
select /*+ MAPJOIN(c) */ c.channel_name,count(t.requesturl) PV from ods.cms_channel c join (select host,requesturl from dms.tracklog_5min where day='20151111' ) t on c.channel_name=t.host group by c.channel_name order by c.channel_name;
这种用在出现数据倾斜时经常使用
参数说明:
1)如果是小表,自动选择Mapjoin:
set hive.auto.convert.join = true; # 默认为false
该参数为true时,Hive自动对左边的表统计量,如果是小表就加入内存,即对 小表使用Map join
2)大表小表的阀值:
set hive.mapjoin.smalltable.filesize;
hive.mapjoin.smalltable.filesize=25000000
默认值是25mb
3)map join做group by 操作时,可以使用多大的内存来存储数据,如果数据太大,则不会保存在内存里
set hive.mapjoin.followby.gby.localtask.max.memory.usage;
默认值:0.55
4)本地任务可以使用内存的百分比
set hive.mapjoin.localtask.max.memory.usage;
默认值: 0.90
时间: 2024-10-13 21:24:02