group by 倾斜主因是 key 分布不均导致 shuffle 失衡，而非 order by；可通过抽样 sql、日志或 web ui 快速定位热点 key；null 或低基数字段需单独处理或加盐（如 rand(seed) 控制打散），盐值选 10–50 并仅作用于确认热点，两阶段聚合须确保二次聚合轻量。
GROUP BY 本身不产生排序，所谓“GROUP BY 排序后倾斜”其实是误读——真正拖慢的不是 ORDER BY，而是 GROUP BY 阶段因 key 分布不均导致 shuffle 严重失衡。排序（ORDER BY）发生在聚合之后，它只影响最终输出顺序，不改变分组过程的负载分布。
怎么快速定位哪个 key 在拖后腿
别等任务跑完再查，先用轻量 SQL 抽样看分布：
- 执行
SELECT key, COUNT(*) AS cnt FROM table GROUP BY key ORDER BY cnt DESC LIMIT 10，重点看第一行cnt是否超过第二行的 10 倍——这是强倾斜信号 - 如果表太大，加
LIMIT 100000可能漏掉长尾热点，尤其当数据按时间写入、新数据集中在末尾时，建议用TABLESAMPLE(1)或按分区抽样 - Hive 中可开
hive.groupby.skewindata=true，运行后检查日志是否有skew join detected或类似提示；Spark SQL 则必须结合 Web UI 查 shuffle write 最大的 stage，再反推对应 SQL 片段
NULL 值或低基数字段导致的 GROUP BY 倾斜怎么破
NULL 被所有引擎归为同一组，若百万行 user_id 为 NULL，就全压到一个 reducer 上。
- 临时分析可用
COALESCE(user_id, FLOOR(RAND() * 10000))把 NULL 映射成随机整数，但注意RAND()在 Spark 中需带 seed（如RAND(123)）才可复现 - 更稳妥的做法是拆出 NULL 单独聚合：
SELECT 'NULL' AS key, COUNT(*) FROM t WHERE user_id IS NULL UNION ALL SELECT user_id AS key, COUNT(*) FROM t WHERE user_id IS NOT NULL GROUP BY user_id - 业务允许的话，建表时设
user_id BIGINT NOT NULL DEFAULT -1，用 -1 占位并加注释，从源头规避
对确认的热点 key 加盐，为什么不能随便拼 RANDOM
加盐不是打乱 key，而是可控打散：要保证同一原始 key 的所有记录被均匀分配到多个子 key，且后续能准确还原。
- 错误写法：
CONCAT(key, '_', RAND())—— 同一行内多次调用RAND()结果不同，导致同一 key 被拆到多个子组，无法正确汇总 - 正确写法（Hive）：
CASE WHEN key = 'hot_key' THEN CONCAT('salt_', FLOOR(RAND() * 20), '_', key) ELSE key END，RAND()在同一行内值稳定 - Spark SQL 必须用
RAND(123)指定 seed，否则每次执行盐值不同，结果不可复现 - 盐值范围选 10–50 较稳妥：太小（如 2）仍可能倾斜；太大（如 1000）会让小 key 也过度拆分，增加 shuffle 和 merge 开销
两阶段聚合的实际写法和陷阱
加盐只是手段，核心是把“单点重负载”变成“多点轻负载+轻量合并”。比如统计各 region 的订单总额：
SELECT region, SUM(sum_amt) AS total_amt
FROM (
SELECT region,
SUM(amount) AS sum_amt,
CAST(RAND(42) * 32 AS INT) AS salt
FROM sales_data
GROUP BY region, salt
) t
GROUP BY region;
-
RAND(42)确保 salt 可复现，32 是经验性盐值粒度，非固定值 - 别对所有 key 加盐——只处理已确认的 top 热点，否则会破坏局部性，拖慢非倾斜路径
-
COUNT(DISTINCT)不能直接套用该模式，它本身会掩盖 key 分布，定位倾斜时务必换回COUNT(*) + GROUP BY
加盐的边界很窄：盐值要够大以分散负载，又不能大到让 shuffle 数据量翻倍；只打散确认热点，不碰正常 key；还原阶段的二次聚合必须轻量——这些细节稍一松懈，优化就变成负优化。
