问题背景

最近遇到一个比较棘手的事情：hive sql优化：

lib表（id,h,soj,noj,sp,np）         --一个字典表

mitem表（md,mt,soj,noj,sp,np）--一天的数据，包含小时分区的表。

业务：

1）需要先把lib表与mitem表进行关联(关联条件是lib.soj=mitem.soj and lib.noj=mitem.noj)，关联后的结果按照soj,md,mt,id,h进行分组；

2）对1）中的结果在分组的时候需要统计差值的平均值记为svalue;

3）对关联后的分区的统计后的数据，进行一次分组排序：按照soj,md,mt分组，按照svalue排序，只保留同一个分组内排序第一的记录。

其中表lib有3亿条记录，mitem表包含记录数50~150亿左右，lib与mitem关联后的记录数在6000亿条记录，之后对这个关联后的结果进行进行分组却执行了6小时后抛出异常问题。

尝试解决方案

瓶颈主要体现在在对第一次关联后的记录包含了6000亿条记录进行分组时，耗费资源，资源不足导致的问题。

尝试过的解决方案：

1）创建索引：《hive：创建索引》

针对该6000亿条记录进行创建索引，耗费了20小时后依然是在stage2失败了，此方案推翻。

2）对mitem数据按照小时粒度进行数据拆分，之后每一个小时的mitem与lib进行关联，结果耗费时间为20多个小时，依然是抛出异常。

3）对mitem数据按照小时粒度进行分区，同时对lib表按照字段soj进行分页（分10页，一页中包含的lib记录数约3000w条)《hive:某张表进行分页》

create table lib_soj as select soj from lib group by soj;－－记录数约为8000条记录

create table lib_soj_page as select row_number()over(order by soj)rnum,soj from lib_soj;

create table lib_1_1000 as select t10.* from lib t10 inner join lib_soj_page t11 on t10.soj=t11.soj where t11.rnum between 1 and 1000;－－记录数约为3000w条记录。

此时，拿一个小时的select * from mitem where hour='2017102412' 与一个分页中的soj进行关联，数据终于出来了，可是耗费的时间为１小时２０分，那么该总体时间为1.33*24*10小时。时间实际上太长了。

４）针对２）、３）的方案我们得知，如果把ｍitem查分带来的效果实际上是不大，而查分ｌｉｂ的效果特别明显，于是想到如果把ｌｉｂ查分的粒度更细与一天的ｍｉｔｅｍ进行关联是否可行(这里是查分为２０份，一份数据约为１５００ｗ)。

测试结果，耗时３小时２０分，那么总体的时间约为3.33*20小时。如果并行执行多个分页的数据相信时间上会缩短。

但是目前这个方案应该是shuffle时出现了数据偏移问题：

调优：

https://tech.meituan.com/spark-tuning-pro.html

提高ｓｈｕｆｆｌｅ并行度：

http://blog.csdn.net/u013939918/article/details/60956620

。