hive中common join的执行过程

Question

假设 A 在 A.a=B.a 上连接 B，并且它们都是大表。 Hive 会通过 common join 来处理这个 join 操作。执行图（由 facebook 提供）：

但是我被这个图弄糊涂了，只有reducer吗？

据我了解，地图输出键为table_name_tag_prefix+join_key。但是在分区阶段，它仍然使用 join_key 对记录进行分区。在reduce阶段，每个reducer读取具有相同join key的<join_key,value>，reducer不需要读取所有的map split。

Answer 1

reducer 的数量由hive.exec.reducers.bytes.per.reducer 定义（默认为 1GB）。
因此，对于映射器的每 GB 输入数据，您将获得 1 个 reducer。
然后，hive 在连接列上使用hash() 函数，并对哈希函数的输出进行模运算，并使用首先设置的减速器数量。

因此，如果您加载 10 GB 的数据（两个表一起），则应该有大约 10 个 reducer。
不可以说我们按列加入 ID 所以让我们假设下一个输出：
hash(101)=101 -> 101%10=1
hash(102)=102 -> 102%10=2
hash(1001)=1001 -> 1001%10=1

所以 ID 列中值为 101 和 1001 的行将转到 reducer #1，ID 102 将转到 reducer #2。你仍然会有 10 个 reducer，但如果所有数据都只有上述 ID，那么 8 个 reducer 将没有输入，2 个 reducer 将得到其余的。

Answer 2

理论上，只有一个reducer或不止一个reducer这两种情况。使用的 reducer 的确切数量将取决于查询详细信息。

您可以尝试在脚本中使用以下内容设置要使用的减速器数量。

set mapred.reduce.tasks=50

这是否真的会导致性能提升取决于您正在执行的查询。有关更多详细信息，另请参阅this answer。

希望对您有所帮助。