线上一个查询简化如下:
Selectdt,count(distinct c1) , count(distinct case when c2>0 and c1=0 then c1 end),count(distinct case when c2>0 and c1>0 then c1 end) from t where dtbetween ‘20131108’ and ‘20131110’ group by dt;
一个让人头痛的multi-distinct问题,为什么说很头痛,看看执行计划就清楚了:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
<code>ABSTRACTSYNTAX TREE:</code>
<code> </code><code>(TOK_QUERY (TOK_FROM (TOK_TABREF (TOK_TABNAMEt))) (TOK_INSERT (TOK_DESTINATION (TOK_DIR TOK_TMP_FILE)) (TOK_SELECT(TOK_SELEXPR (TOK_TABLE_OR_COL dt)) (TOK_SELEXPR (TOK_FUNCTIONDI count(TOK_TABLE_OR_COL c1))) (TOK_SELEXPR (TOK_FUNCTIONDI count (TOK_FUNCTION when(and (> (TOK_TABLE_OR_COL c2) </code><code>0</code><code>) (= (TOK_TABLE_OR_COL c1) </code><code>0</code><code>))(TOK_TABLE_OR_COL c1)))) (TOK_SELEXPR (TOK_FUNCTIONDI count (TOK_FUNCTION when(and (> (TOK_TABLE_OR_COL c2) </code><code>0</code><code>) (> (TOK_TABLE_OR_COL c1) </code><code>0</code><code>))(TOK_TABLE_OR_COL c1))))) (TOK_WHERE (TOK_FUNCTION between KW_FALSE(TOK_TABLE_OR_COL dt) </code><code>'20131108'</code> <code>'20131110'</code><code>)) (TOK_GROUPBY (TOK_TABLE_OR_COLdt))))</code>
<code>STAGEDEPENDENCIES:</code>
<code> </code><code>Stage-</code><code>1</code> <code>is a root stage</code>
<code> </code><code>Stage-</code><code>0</code> <code>is a root stage</code>
<code>STAGEPLANS:</code>
<code> </code><code>Stage: Stage-</code><code>1</code>
<code> </code><code>Map Reduce</code>
<code> </code><code>Alias -> Map Operator Tree:</code>
<code> </code><code>t</code>
<code> </code><code>TableScan</code>
<code> </code><code>alias: t</code>
<code> </code><code>Filter Operator</code>
<code> </code><code>predicate:</code>
<code> </code><code>expr: dt BETWEEN </code><code>'20131108'</code><code>AND </code><code>'20131110'</code>
<code> </code><code>type: Boolean</code>
<code> </code><code>//通过select operator做投影</code>
<code> </code><code>Select Operator</code>
<code> </code><code>expressions:</code>
<code> </code><code>expr: dt</code>
<code> </code><code>type: string</code>
<code> </code><code>expr: c1</code>
<code> </code><code>type: </code><code>int</code>
<code> </code><code>expr: c2</code>
<code> </code><code>outputColumnNames: dt, c1, c2</code>
<code> </code><code>//在MAP端进行简单的聚合,雷区1:假设有N个distinct,MAP处理数据有M条,那么这部处理后的输出是N*M条数据,因为MAP会对dt,keys[i]做聚合操作,所以尽量在MAP端过滤尽可能多的数据</code>
<code> </code><code>Group By Operator</code>
<code> </code><code>aggregations:</code>
<code> </code><code>expr: count(DISTINCTc1)</code>
<code> </code><code>expr: count(DISTINCTCASE WHEN (((c2 > </code><code>0</code><code>) and (c1 = </code><code>0</code><code>))) THEN (c1) END)</code>
<code> </code><code>expr: count(DISTINCTCASE WHEN (((c2 > </code><code>0</code><code>) and (c1 > </code><code>0</code><code>))) THEN (c1) END)</code>
<code> </code><code>bucketGroup: </code><code>false</code>
<code> </code><code>keys:</code>
<code> </code><code>expr: dt</code>
<code> </code><code>type: string</code>
<code> </code><code>expr: c1</code>
<code> </code><code>type: </code><code>int</code>
<code> </code><code>expr: CASE WHEN (((c2> </code><code>0</code><code>) and (c1 = </code><code>0</code><code>))) THEN (c1) END</code>
<code> </code><code>expr: CASE WHEN (((c2> </code><code>0</code><code>) and (c1 > </code><code>0</code><code>))) THEN (c1) END</code>
<code> </code><code>mode: hash</code>
<code> </code><code>outputColumnNames: _col0,_col1, _col2, _col3, _col4, _col5, _col6</code>
<code> </code><code>//雷区2:在做Reduce Sink时是根据partition cplumns进行HASH的方式,那么对于按date分区的表来说一天的所有数据被放大N倍传输到Reducer进行运算,导致性能长尾或者OOME.</code>
<code> </code><code>Reduce Output Operator</code>
<code> </code><code>key expressions:</code>
<code> </code><code>expr: _col0</code>
<code> </code><code>type: string</code>
<code> </code><code>expr: _col1</code>
<code> </code><code>type: </code><code>int</code>
<code> </code><code>expr: _col2</code>
<code> </code><code>expr: _col3</code>
<code> </code><code>sort order: ++++</code>
<code> </code><code>Map-reduce partitioncolumns:</code>
<code> </code><code>tag: -</code><code>1</code>
<code> </code><code>value expressions:</code>
<code> </code><code>expr: _col4</code>
<code> </code><code>type: bigint</code>
<code> </code><code>expr: _col5</code>
<code> </code><code>expr: _col6</code>
<code> </code><code>Reduce Operator Tree:</code>
<code> </code><code>Group By Operator</code>
<code> </code><code>aggregations:</code>
<code> </code><code>expr: count(DISTINCTKEY._col1:</code><code>0</code><code>._col0)</code>
<code> </code><code>expr: count(DISTINCTKEY._col1:</code><code>1</code><code>._col0)</code>
<code> </code><code>expr: count(DISTINCTKEY._col1:</code><code>2</code><code>._col0)</code>
<code> </code><code>bucketGroup: </code><code>false</code>
<code> </code><code>keys:</code>
<code> </code><code>expr: KEY._col0</code>
<code> </code><code>type: string</code>
<code> </code><code>mode: mergepartial</code>
<code> </code><code>outputColumnNames: _col0, _col1,_col2, _col3</code>
<code> </code><code>Select Operator</code>
<code> </code><code>expressions:</code>
<code> </code><code>expr: _col0</code>
<code> </code><code>type: string</code>
<code> </code><code>expr: _col1</code>
<code> </code><code>type: bigint</code>
<code> </code><code>expr: _col2</code>
<code> </code><code>expr: _col3</code>
<code> </code><code>outputColumnNames: _col0, _col1,_col2, _col3</code>
<code> </code><code>File Output Operator</code>
<code> </code><code>compressed: </code><code>true</code>
<code> </code><code>GlobalTableId: </code><code>0</code>
<code> </code><code>table:</code>
<code> </code><code>input format:org.apache.hadoop.mapred.TextInputFormat</code>
<code> </code><code>output format:org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat</code>
<code> </code><code>Stage: Stage-</code><code>0</code>
<code> </code><code>Fetch Operator</code>
<code> </code><code>limit: -</code><code>1</code>
查看执行计划(省去非关键部分):
<code>STAGE DEPENDENCIES:</code>
<code> </code><code>Stage-</code><code>2</code> <code>depends on stages:Stage-</code><code>1</code><code>, Stage-</code><code>3</code><code>, Stage-</code><code>4</code>
<code> </code><code>Stage-</code><code>3</code> <code>is a root stage</code>
<code> </code><code>Stage-</code><code>4</code> <code>is a root stage</code>
另外也有通过unionall+sum的解决方法,感兴趣的同学也可以尝试一下.
如果不做100%精确计算的话可以通过bucket sample的方式可以更快的解决:)
本文转自MIKE老毕 51CTO博客,原文链接:http://blog.51cto.com/boylook/1322536,如需转载请自行联系原作者