Pig对于数据倾斜Join的优化原理

共计 678 个字符，预计需要花费 2 分钟才能阅读完成。

Pig 对于数据倾斜 Join 的优化原理

1、对数据抽样

2、根据样本数据，估计出某个 key 的所有的记录数以及所占的总内存，pig.skewedjoin.reduce.memusage 控制 reduce 消耗内存比例，再计算出某个 key 所需要的 reduce 个数，以及 reduce 的总数。

3、将结果存一个文件中，相当于索引文件，格式为：(swpv,0,3), (swps,4,5)（说明：<join key>,<min index of reducer>, <max index ofreducer>）

4、自定义 Patitioner，读取索引，并将 key 平均分配到 reduce 上。比如：(swpv,0,3) 将 swpv 平均分配到 编号为 0 - 3 的 reduce 中。

Pig 的安装与测试 http://www.linuxidc.com/Linux/2014-07/104039.htm

Pig 安装与配置教程 http://www.linuxidc.com/Linux/2013-04/82785.htm

Pig 安装部署及 MapReduce 模式下测试 http://www.linuxidc.com/Linux/2013-04/82786.htm

Pig 安装及本地模式测试, 体验 http://www.linuxidc.com/Linux/2013-04/82783.htm

Pig 的安装配置与基本使用 http://www.linuxidc.com/Linux/2013-02/79928.htm

Hadoop Pig 进阶语法 http://www.linuxidc.com/Linux/2013-02/79462.htm