请说明在 Apache Impala 环境下，针对数据倾斜问题，通常可以采取哪些优化处理策略？

回答思路

1. 【回答框架 1】数据倾斜在 Impala 中表现为某些节点处理数据量远大于其他节点，导致查询性能下降。常见原因包括 join 键或 group by 键的分布不均、小文件过多、谓词选择性差等。
2. 【回答框架 2】优化策略一：使用 DISTRIBUTE BY 和 SORT BY 组合，在插入或计算时强制重新分布数据，使数据更均匀地分配到各节点，避免单点瓶颈。
3. 【回答框架 3】优化策略二：对于 join 倾斜，可以使用 Broadcast Join（广播小表）或 Shuffle Join（分区连接），根据表大小和倾斜程度选择合适策略；必要时对倾斜键进行加盐处理或预先过滤。
4. 【回答框架 4】优化策略三：针对 group by 倾斜，可先对高频键进行局部聚合，再合并结果；或使用 Skew Join 优化，对倾斜数据进行单独处理。
5. 【回答框架 5】优化策略四：调整相关配置参数，如设置合理的扫描并发度、控制文件数、使用 Parquet 等列式存储和压缩，以减少 I/O 和网络传输开销。
6. 【关键点 1】数据倾斜时，优先识别倾斜键和倾斜度，再针对性优化。
7. 【关键点 2】DISTRIBUTE BY 可根据指定列重新分布数据，SORT BY 可控制局部排序。
8. 【关键点 3】广播小表可避免大表与大表 shuffle，但需确保小表足够小且内存充足。
9. 【关键点 4】加盐（如添加随机前缀）可打散倾斜键，但会增加处理复杂度，需权衡。
10. 【关键点 5】结合列式存储（如 Parquet）和合理文件大小，能减轻小文件问题引起的不均衡。
11. 【易错点 1】不可盲目使用加盐，可能破坏 join 或 group by 的正确性，需保证结果一致性。
12. 【易错点 2】广播小表并非万能，表过大可能导致内存溢出或网络压力增大。
13. 【易错点 3】仅调大并行度不一定解决倾斜，需结合数据特性和执行计划分析。