怎么查看表是否倾斜呢（没有设置clustered by）？

您提到的数据倾斜确实是大数据处理中常见的一个问题，尤其是在使用像Apache Spark、Hadoop这样的分布式计算框架时。数据倾斜发生时，由于任务分配不均，某些节点需要处理的数据远多于其他节点，这不仅会导致整体处理时间延长，还可能引起资源的极大浪费和作业失败。

阿里云文档《数据倾斜优化》（链接：https://help.aliyun.com/document_detail/102614.html）提供了一系列实用的策略来帮助用户解决这一问题，以下是一些关键点的总结：

1. 识别数据倾斜：首先，通过日志或监控工具识别出哪些stage或task出现了数据倾斜。Spark UI是一个很好的工具，可以用来观察各个stage的执行情况，特别是那些运行时间异常长的task。

2. 增加shuffle partition数量：在Spark作业中，适当增加spark.shuffle.partitions配置的值可以减少每个partition的数据量，从而减轻数据倾斜的程度。但需注意不要设置得过大，以免增加不必要的内存开销。

3. 采样与盐值加入：对数据进行采样分析，找出导致倾斜的key，然后为这些key添加一个随机的“盐值”（比如ID%100），使得原本相同的key分散到不同的分区中，处理后再去除盐值恢复原数据。

4. 使用Salting技巧：对于特定的倾斜键，可以通过在键上附加一个随机数或者哈希值的方式，将数据均匀分布到多个分区中，处理后再还原数据。

5. 自定义分区器：根据业务逻辑设计自定义分区器，更精细地控制数据的分布，避免热点key集中在一个或几个分区中。

6. 两阶段聚合：先进行局部聚合，减少shuffle过程中数据传输量，再进行全局聚合。这样可以在一定程度上缓解数据倾斜带来的影响。

7. 广播大变量：如果join操作的一侧是小表，可以考虑将其广播出去，避免shuffle过程，但这仅适用于一侧数据量较小的情况。

8. 动态调整资源：根据任务的实际需求动态调整集群资源，如增加Executor的数量或内存大小，以应对数据倾斜带来的资源压力。

通过上述方法的综合运用，可以有效缓解甚至解决数据倾斜问题，提升大数据处理作业的效率和稳定性。在实际应用中，建议根据具体场景选择合适的优化策略，并进行充分的测试以验证效果。