spark中多表连接优化实例

最新推荐文章于 2025-03-19 22:15:00 发布

yijichangkong

最新推荐文章于 2025-03-19 22:15:00 发布

阅读量9k

点赞数 2

分类专栏： Spark 文章标签： spark 优化

本文链接：https://blog.youkuaiyun.com/yijichangkong/article/details/51895428

版权

在Spark1.6.1和Hive1.2.1环境下处理大数据时，遇到一个reduce阶段耗时过长的问题。通过尝试开启Hive的数据倾斜优化、调整reduce数量和内存设置并未见效，反而出现内存超限错误。后来改用Spark执行，原SQL耗时2.3小时。通过优化表关联顺序，如先执行TST_ORDER_VEHICLE与TST_ORDER_RISK的关联，减少了stage数量和数据处理时间。进一步优化关联顺序，使得关键表TST_PC_ORDER的扫描与其他关联并行执行，将总耗时降低到25分钟。优化策略包括减少结果集大小、提升并行执行效率和调整关联顺序以优化关键路径。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

环境信息：
hive1.2.1
spark1.6.1
hadoop2.6.0-cdh5.4.2
memory:1918752, vCores:506

表结构：

表名称	表容量	主键	hive存储类型
temp_01_pc_order	5G	PC_ORDER_ID	RCFile
TST_ORDER_RISK	9.4G	非 PC_ORDER_ID	RCFile
TST_ORDER_VEHICLE	36G	PC_ORDER_VEHICLE_ID	RCFile
TST_ORDER_ASSIST	800M	非ORDER_ID	RCFile
TST_PC_ORDER	90G	PC_ORDER_ID	RCFile

原hive sql：
(为求简便，所有字段以XX代替，最终有90个字段)

INSERT OVERWRITE TABLE H_DW_ORDER
  SELECT A.PC_ORDER_ID, A.XX90
    FROM TST_PC_ORDER A
    LEFT JOIN (SELECT PC_ORDER_ID, XX
                 FROM (SELECT PC_ORDER_ID
                             ,XX
                             ,ROW_NUMBER() OVER(PARTITION BY PC_ORDER_ID ORDER BY UPDATED_DATE DESC) AS ROWNO
                         FROM TST_ORDER_RISK) K
                WHERE ROWNO = 1) B ON A.PC_ORDER_ID = B.PC_ORDER_ID
    LEFT JOIN TST_ORDER_VEHICLE C ON B.CLIENT_ID = C.PC_ORDER_VEHICLE_ID
    LEFT JOIN (SELECT T.* FROM TEMP_01_PC_ORDER T WHERE FLAG_L = 1) D ON A.PC_ORDER_ID =
                                                                         D.PC_ORDER_ID
    LEFT JOIN (SELECT T1.* FROM TEMP_01_PC_ORDER T1 WHERE FLAG_F = 1) F ON A.PC_ORDER_ID =
                                                                           F.PC_ORDER_ID
    LEFT JOIN (SELECT H.ORDER_ID, XX
                 FROM (SELECT E.XX
                             ,E.ORDER_ID
                             ,ROW_NUMBER() OVER(PARTITION BY

最低0.47元/天解锁文章