校招面试经常会问大家有没有过调优的经验，相信大家的回答基本都是往数据倾斜和小文件问题这两方面回答，对于数据倾斜相信大部分同学对热key打散或null值引发的倾斜已经非常熟悉，但这些内容面试官也是听腻了，希望大家在面试时候讲一些高大尚的案例，在描述的时候一定要有背景，有解决方案，最后结果，毕竟数据倾斜不会无故产生，一定是有业务背景的，这里给大家分享一种数据倾斜优化案例。
1.Uid和oaid之间的转化
在用增的拉新拉回业务中，经常会用到oaid来识别具体的设备是不是公司用户，所以我们需要将uid→oaid，需求目的：找到当日拉新的uid对应的oaid映射关系
代码如下：
-
1.从id mapping表中找出uid→oaid的映射关系;
-
2.根据最后一次活跃时间对uid→oaid映射关系去重;
-
3.将算法提供的uid人群圈选出对应的oaid。
原来的sql
selectt1.user_id,oaid_md5
from(selectL.uid user_id,md5(L.oaid) oaid_md5from(selectdistinct uid,oaidfrom(selectuid,oaid,row_number() over (partition by oaidorder bycast(last_active_timestamp as bigint) desc) as rnfromidmapping as GwhereG.p_date = '20250324'and G.left_type = 'USER_ID'and G.right_type = 'OAID') ttwherett.rn = 1) as Lleft join (selectidfromzuobishebei -- 作弊设备wherep_date = '{{ds_nodash}}'and supplier = 'cheat') as P on (md5(L.oaid) = P.id)whereP.id is null) t2join (SELECTuser_idFROMlist_ground_truthWHEREp_date = '20250324') t1 on t1.user_id = t2.user_id
粗略一看，符合正常计算流程和顺序，但这段sql出现了明显的数据倾斜。
经过排查代码中有两块可能引起倾斜，一个是join，一个row number，先查询一下uid→oaid映射情况，发现部分的uid映射过10亿多的oaid，导致在去重的时候发生了数据倾斜。
解决方案
-
1.使用过滤条件和分组操作减少数据量；
-
2.通过调整连接顺序和提前应用过滤条件，减少了中间数据量；
-
3.如果倾斜仍然存在，考虑对倾斜字段进行分区或使用 broadcast join 来进一步优化。
优化后：
SELECTuser_id,md5(paid) AS oaid
FROM(SELECTuser_id,paid,ROW_NUMBER() OVER (PARTITION BY user_idORDER BYCAST(last_active_timestamp AS BIGINT) DESC) AS rnFROM(SELECTt1.user_id,t2.paid,t2.last_active_timestampFROM(SELECTuser_idFROMlist_ground_truthWHEREp_date = '20250324') t1JOIN (SELECTuid,oaid,G.last_active_timestampFROMidmappingGWHEREG.p_date = '20250324'AND G.left_type = 'USER_ID'AND G.right_type = ‘ OAID ’GROUP BYG.left_value,G.right_value,G.last_active_timestamp) t2 ON t1.user_id = t2.uid) t3) t1
WHERErn = 1
原始脚本和优化后的脚本在逻辑上保持一致，但重点在于先jion较小的表（idmapping和 list_ground_truth），在进行row number，这样可以在join时先走map join同时减少row number执行的数据量。
