hadoop - 在 mapper 的单个输出上运行多个 reducer

Question

我正在使用 map reduce 实现左连接功能。左侧有大约 6 亿条记录，右侧有大约 2300 万条记录。在映射器中，我使用左连接条件中使用的列制作键，并将键值输出从映射器传递到缩减器。我遇到了性能问题，因为两个表中的值数量都很高(例如分别为 456789 和 78960)的映射器键很少。即使其他 reducer 完成了它们的工作，这些 reducer 仍会继续运行更长时间。有没有什么方法可以让多个 reducer 并行处理 mapper 的相同键值输出以提高性能？

这是我要优化的 Hive 查询。

select distinct 
        a.sequence, 
        a.fr_nbr, 
        b.to_nbr, 
        a.fr_radius,
        a.fr_zip, 
        a.latitude as fr_latitude, 
        a.longitude as fr_longitude, 
        a.to_zip, 
        b.latitude as to_latitude, 
        b.longitude as to_longitude,
        ((2 * asin( sqrt( cos(radians(a.latitude)) * cos(radians(b.latitude)) * pow(sin(radians((a.longitude - b.longitude)/2)), 2) + pow(sin(radians((a.latitude - b.latitude)/2)), 2) ) )) * 6371 * 0.621371) as distance,
        a.load_year, 
        a.load_month
from common.sb_p1 a LEFT JOIN common.sb__temp0u b    
        on a.to_zip=b.zip
            and a.load_year=b.load_year
            and a.load_month=b.load_month
where   b.correction = 0 
        and a.fr_nbr <> b.to_nbr 
        and ((2 * asin( sqrt( cos(radians(a.latitude)) * cos(radians(b.latitude)) * pow(sin(radians((a.longitude - b.longitude)/2)), 2) + pow(sin(radians((a.latitude - b.latitude)/2)), 2) ) )) * 6371 * 0.621371 <= a.fr_radius)

任何其他解决方案也将不胜感激。

Answer 1

使用 UNION ALL 拆分倾斜键:

select * from table1 a left join table2 b on a.key=b.key
where a.key not in (456789,78960)
union all
select * from table1 a left join table2 b on a.key=b.key
where a.key = 456789
union all
select * from table1 a left join table2 b on a.key=b.key
where a.key = 78960
;

这些子查询将并行运行，倾斜键不会分布到单个 reducer