我的 hive 查询挂起,我不知道为什么(使用 hadoop 0.20.1,hive 0.9)。
询问:
SELECT
a.field1 FROM table_1 a
LEFT SEMI JOIN
(SELECT DISTINCT(usrId) FROM table_2 b
WHERE soemthing=true ORDER BY rand() limit 1000) random_user_ids
WHERE a.usrId=random_user_ids.usrId
解释给我回来:
STAGE DEPENDENCIES:
Stage-1 is a root stage
Stage-2 depends on stages: Stage-1
Stage-3 depends on stages: Stage-2
Stage-0 is a root stage
数据集
- 表内约 2 亿个条目
- table_1.usrId 与 table_1 的关系应该是大约 1:40,即上面的查询应该返回 1000*40=40000
观察:
- 作业在 33% 的最后阶段 3 挂起(减少 > 排序),正在发生连接(连接结果约为 40000)
- 除了缓慢之外,为什么 reduce > sort 是 Stage-3 的一部分?它应该只加入东西而不是订购任何东西
- reducer 大小只有 1(因为排序?),这几乎总是很糟糕,因为它不能扩展。
如果您需要更多输入(例如更详细的解释信息、更多集群信息),请告诉。
谢谢!