hive建表没使用LZO存储格式,但是数据是LZO格式时遇到的问题

时间:2022-02-19 12:19:56

       今天微博大数据平台发邮件来说,他们有一个hql运行失败,但是从gateway上面的日志看不出来是什么原因导致的,我帮忙看了一下,最后找到了问题的原因,以下是分析过程:

1、运行失败的hql:

INSERT OVERWRITE TABLE brand_ad_user_with_interact_score_3 
select a.uid, a.brand, a.friend, CASE b.weight WHEN NULL THEN '0.000000' ELSE b.weight END
from brand_ad_2hop_3 a
LEFT OUTER join ods_bas_user_interact_score_to_thin_3 b
on (a.uid = b.fid and a.friend = b.tid);
该hql很简单,就是两个表关联,然后输出到另外一个表中,是一个普通的common join,没有group by等操作,所以不存在map的数据倾斜问题

2、查看job日志

根据50030页面查看了一下该job的状态和日志信息,job的状态是被kill掉的,map任务还未运行完成就被kill掉了,被kill掉的map任务运行时间都超过了10个小时,如下图所示:

hive建表没使用LZO存储格式,但是数据是LZO格式时遇到的问题

根据1中得分析,该job从hql上面看是不存储数据倾斜的,那为什么会出现单个map运行时间超过10小时的情况呢,查看了一下被kill掉map任务的counter信息,如下:

hive建表没使用LZO存储格式,但是数据是LZO格式时遇到的问题

竟然单个map任务从hdfs上面读了10G的数据,不应该啊,难不成被处理的数据文件没被分片,单个map任务处理了单个的大文件,怀揣着这样的猜测,我去检查了一下hql里面两个表目录下面的文件,果不其然,下面全是lzo格式的文件,但是都没有建索引,而且

brand_ad_2hop_3表下面个别单个文件达到了10G+,应该就是这个原因了:lzo格式的文件没有建索引,数据文件不能被分片,导致在运行的时候,单个的文件只能由一个map任务处理,如果单个文件很大的情况下,map任务就会处理很长时间。

在检查了一下brand_ad_2hop_3的建表语句,发现存储格式为Text。

既然找到了问题原因,以下就是解决办法了:

(1)、给lzo文件建立索引

(2)、建表的时候请使用LZO存储格式