hive sql 优化 数据倾斜

 

此脚本运行速度慢，主要是reduce端数据倾斜致使的，了解到dw.fct_traffic_navpage_path_detl表是用来收集用户点击数据的，那么最终

购物车和下单的点击确定极少，因此此表ordr_code字段为空和cart_prod_id字段为NULL的数据量极大，以下所示：

select ordr_code,count(*) as a from dw.fct_traffic_navpage_path_detl  where ds = '2015-05-10'  group by ordr_code having a>10000 ;

        151722135

select cart_prod_id,count(*) as a fromdw.fct_traffic_navpage_path_detl   where ds = '2015-05-10'  groupby cart_prod_id having a>10000 ;

NULL    127233335

 

对于create table tmp_lifan_trfc_tpa as 这句SQL，BI加上以下配置，

 

set hive.mapjoin.smalltable.filesize = 120000000; //由于 dw.univ_parnt_tranx_comb_detl表最大不超过120MB，若是是hive on tez要用hive.auto.convert.join.noconditionaltask.size ，这样tez会生成BROADCAST

sethive.auto.convert.join=true;

同时修改SQL以下语句：

from dw.fct_traffic_navpage_path_detl t

  left outer join dw.univ_parnt_tranx_comb_detl o //用mapjoin解决数据倾斜

    on t.ordr_code = o.parnt_ordr_code

   and t.cart_prod_id = o.comb_prod_id

   and o.ds = '2015-05-10'

  left outer join bic.cust_first_ordr_tranx f

    on case when o.end_user_id is null then cast(rand(9)*100as bigint)  else o.end_user_id end = f.end_user_id  //join后数倾斜用随机数避免倾斜 ，红色为修改部分

   and f.first_ordr_date_id = '2015-05-10'

where t.ds = '2015-05-10';

运行后SQL能够在可控时间内完成。