一：hive中的三种join
1.map join
应用场景：小表join大表
一：设置mapjoin的方式：
）如果有一张表是小表，小表将自动执行map join。
默认是true。
<property>
<name>hive.auto.convert.join</name>
<value>true</value>
</property>
）判断小表
<property>
<name>hive.mapjoin.smalltable.filesize</name>
<value>25000000</value>
</property>
二：隐式执行
/*+ MAPJOIN(tb_name) */
两种方式说明：
2.reduce join
应用场景：大表join大表
但是效率不高。
3.SMB join（sort merger bucket）：hash取余
排序合并桶。
条件：A桶个数必须与B桶的个数相同，或者B桶的个数是A桶的个数的倍数
例如：
A：4
B：8
——》A的每一个桶joinB桶的两个小桶就可以了。
设置：
hive.auto.convert.sortmerge.join=true
二：数据倾斜
1.原因
指在mapreduce中某一个值数据量过多，导致reduce的负载不均衡
主要分为
join
group by
三：参考数据倾斜
1.链接
https://my.oschina.net/leejun2005/blog/178631
2.前言
在做Shuffle阶段的优化过程中，遇到了数据倾斜的问题，造成了对一些情况下优化效果不明显。
主要是因为在Job完成后的所得到的Counters是整个Job的总和，优化是基于这些Counters得出的平均值，而由于数据倾斜的原因造成map处理数据量的差异过大，
使得这些平均值能代表的价值降低。Hive的执行是分阶段的，map处理数据量的差异取决于上一个stage的reduce输出，所以如何将数据均匀的分配到各个reduce中，就是解决数据倾斜的根本所在。
3.操作
其实就两种，因为，count distinct的底层就是group by。
4.原因
1)、key分布不均匀
2)、业务数据本身的特性
3)、建表时考虑不周
4)、某些SQL语句本身就有数据倾斜
5.表现
任务进度长时间维持在99%，查看任务监控页面，发现只有少量的reduce子系统未完成。
单一的reduce的记录与平均记录差距过大，通常达到3倍甚至更多。
四：解决方案
1.主要针对的group by
map的combiner
hive.groupby.skewindata
替换值，将不要的值替换掉，然后过滤掉。
2.参数调节
）hive.map.aggr=true
map端的combiner，提前聚合一下。
）hive.groupby.skewindata=true
不按照key进行分区，map端的结果到了reduce后就进行一次聚合，达到reduce负载均衡。
这时，再进行一次mapreduce，group by key 分布到reduce，实现最终的聚合。
2.SQL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。
五：业务场景（实际中会遇到的情况）
1.空值产生数据倾斜
）过滤
select * from log a
join users b
on a.user_id is not null
and a.user_id = b.user_id
union all select * from log a where a.user_id is null;
）赋予新的值
select *
from log a left outer join users b on case when a.user_id is null then concat(‘hive’,rand() ) else a.user_id end = b.user_id;
）比较
方法2比方法1效率更好，不但io少了，而且作业数也少了。
解决方法1中 log读取两次，jobs是2。解决方法2 job数是1 。
2适合无效 id (比如 -99 , ’’, null 等) 产生的倾斜问题。把空值的 key 变成一个字符串加上随机数，就能把倾斜的数据分到不同的reduce上 ,解决数据倾斜问题。
2.不同的数据类型进行关联
）原因
用户表中user_id字段为int，log表中user_id字段既有string类型也有int类型。当按照user_id进行两个表的Join操作时，默认的Hash操作会按int型的id来进行分 配，这样会导致所有string类型id的记录都分配到一个Reducer中。
）把数字类型转换成字符串类型
select * from users a
left outer join logs b on a.usr_id = cast(b.user_id as string)
3.表不大不小
）解决
select /*+mapjoin(x)*/* from log a
left outer join (
select /*+mapjoin(c)*/d.*
from ( select distinct user_id from log ) c
join users d
on c.user_id = d.user_id
) x
on a.user_id = b.user_id;