有的時候，我們可能會遇到大數(shù)據(jù)計算中一個最棘手的問題——數(shù)據(jù)傾斜，此時Spark作業(yè)的性能會比期望差很多。數(shù)據(jù)傾斜調(diào)優(yōu)，就是使用各種技術(shù)方案解決不同類型的數(shù)據(jù)傾斜問題，以保證Spark作業(yè)的性能。

數(shù)據(jù)傾斜發(fā)生時的現(xiàn)象

• 絕大多數(shù)task執(zhí)行得都非常快，但個別task執(zhí)行極慢。比如，總共有1000個task，997個task都在1分鐘之內(nèi)執(zhí)行完了，但是剩余兩三個task卻要一兩個小時。這種情況很常見。
• 原本能夠正常執(zhí)行的Spark作業(yè)，某天突然報出OOM(內(nèi)存溢出)異常，觀察異常棧，是我們寫的業(yè)務(wù)代碼造成的。這種情況比較少見。

數(shù)據(jù)傾斜發(fā)生的原理

數(shù)據(jù)傾斜的原理很簡單：在進(jìn)行shuffle的時候，必須將各個節(jié)點(diǎn)上相同的key拉取到某個節(jié)點(diǎn)上的一個task來進(jìn)行處理，比如按照key進(jìn)行聚合或join等操作。此時如果某個key對應(yīng)的數(shù)據(jù)量特別大的話，就會發(fā)生數(shù)據(jù)傾斜。比如大部分key對應(yīng)10條數(shù)據(jù)，但是個別key卻對應(yīng)了100萬條數(shù)據(jù)，那么大部分task可能就只會分配到10條數(shù)據(jù)，然后1秒鐘就運(yùn)行完了；但是個別task可能分配到了100萬數(shù)據(jù)，要運(yùn)行一兩個小時。因此，整個Spark作業(yè)的運(yùn)行進(jìn)度是由運(yùn)行時間最長的那個task決定的。

因此出現(xiàn)數(shù)據(jù)傾斜的時候，Spark作業(yè)看起來會運(yùn)行得非常緩慢，甚至可能因?yàn)槟硞€task處理的數(shù)據(jù)量過大導(dǎo)致內(nèi)存溢出。

下圖就是一個很清晰的例子：hello這個key，在三個節(jié)點(diǎn)上對應(yīng)了總共7條數(shù)據(jù)，這些數(shù)據(jù)都會被拉取到同一個task中進(jìn)行處理；而world和you這兩個key分別才對應(yīng)1條數(shù)據(jù)，所以另外兩個task只要分別處理1條數(shù)據(jù)即可。此時第一個task的運(yùn)行時間可能是另外兩個task的7倍，而整個stage的運(yùn)行速度也由運(yùn)行最慢的那個task所決定。

如何定位導(dǎo)致數(shù)據(jù)傾斜的代碼

數(shù)據(jù)傾斜只會發(fā)生在shuffle過程中。這里給大家羅列一些常用的并且可能會觸發(fā)shuffle操作的算子：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。出現(xiàn)數(shù)據(jù)傾斜時，可能就是你的代碼中使用了這些算子中的某一個所導(dǎo)致的。

某個task執(zhí)行特別慢的情況

首先要看的，就是數(shù)據(jù)傾斜發(fā)生在第幾個stage中。

如果是用yarn-client模式提交，那么本地是直接可以看到log的，可以在log中找到當(dāng)前運(yùn)行到了第幾個stage；如果是用yarn-cluster模式提交，則可以通過Spark Web UI來查看當(dāng)前運(yùn)行到了第幾個stage。此外，無論是使用yarn-client模式還是yarn-cluster模式，我們都可以在Spark Web UI上深入看一下當(dāng)前這個stage各個task分配的數(shù)據(jù)量，從而進(jìn)一步確定是不是task分配的數(shù)據(jù)不均勻?qū)е铝藬?shù)據(jù)傾斜。

比如下圖中，倒數(shù)第三列顯示了每個task的運(yùn)行時間。明顯可以看到，有的task運(yùn)行特別快，只需要幾秒鐘就可以運(yùn)行完；而有的task運(yùn)行特別慢，需要幾分鐘才能運(yùn)行完，此時單從運(yùn)行時間上看就已經(jīng)能夠確定發(fā)生數(shù)據(jù)傾斜了。此外，倒數(shù)第一列顯示了每個task處理的數(shù)據(jù)量，明顯可以看到，運(yùn)行時間特別短的task只需要處理幾百KB的數(shù)據(jù)即可，而運(yùn)行時間特別長的task需要處理幾千KB的數(shù)據(jù)，處理的數(shù)據(jù)量差了10倍。此時更加能夠確定是發(fā)生了數(shù)據(jù)傾斜。

知道數(shù)據(jù)傾斜發(fā)生在哪一個stage之后，接著我們就需要根據(jù)stage劃分原理，推算出來發(fā)生傾斜的那個stage對應(yīng)代碼中的哪一部分，這部分代碼中肯定會有一個shuffle類算子。精準(zhǔn)推算stage與代碼的對應(yīng)關(guān)系，需要對Spark的源碼有深入的理解，這里我們可以介紹一個相對簡單實(shí)用的推算方法：只要看到Spark代碼中出現(xiàn)了一個shuffle類算子或者是Spark SQL的SQL語句中出現(xiàn)了會導(dǎo)致shuffle的語句(比如group by語句)，那么就可以判定，以那個地方為界限劃分出了前后兩個stage。

這里我們就以Spark最基礎(chǔ)的入門程序——單詞計數(shù)來舉例，如何用最簡單的方法大致推算出一個stage對應(yīng)的代碼。如下示例，在整個代碼中，只有一個reduceByKey是會發(fā)生shuffle的算子，因此就可以認(rèn)為，以這個算子為界限，會劃分出前后兩個stage。 * stage0，主要是執(zhí)行從textFile到map操作，以及執(zhí)行shuffle write操作。shuffle write操作，我們可以簡單理解為對pairs RDD中的數(shù)據(jù)進(jìn)行分區(qū)操作，每個task處理的數(shù)據(jù)中，相同的key會寫入同一個磁盤文件內(nèi)。 * stage1，主要是執(zhí)行從reduceByKey到collect操作，stage1的各個task一開始運(yùn)行，就會首先執(zhí)行shuffle read操作。執(zhí)行shuffle read操作的task，會從stage0的各個task所在節(jié)點(diǎn)拉取屬于自己處理的那些key，然后對同一個key進(jìn)行全局性的聚合或join等操作，在這里就是對key的value值進(jìn)行累加。stage1在執(zhí)行完reduceByKey算子之后，就計算出了最終的wordCounts RDD，然后會執(zhí)行collect算子，將所有數(shù)據(jù)拉取到Driver上，供我們遍歷和打印輸出。

val conf = new SparkConf()

val sc = new SparkContext(conf)

val lines = sc.textFile("hdfs://...")

val words = lines.flatMap(_.split(" "))

val pairs = words.map((_, 1))

val wordCounts = pairs.reduceByKey(_ + _)

wordCounts.collect().foreach(println(_))

通過對單詞計數(shù)程序的分析，希望能夠讓大家了解最基本的stage劃分的原理，以及stage劃分后shuffle操作是如何在兩個stage的邊界處執(zhí)行的。然后我們就知道如何快速定位出發(fā)生數(shù)據(jù)傾斜的stage對應(yīng)代碼的哪一個部分了。比如我們在Spark Web UI或者本地log中發(fā)現(xiàn)，stage1的某幾個task執(zhí)行得特別慢，判定stage1出現(xiàn)了數(shù)據(jù)傾斜，那么就可以回到代碼中定位出stage1主要包括了reduceByKey這個shuffle類算子，此時基本就可以確定是由educeByKey算子導(dǎo)致的數(shù)據(jù)傾斜問題。比如某個單詞出現(xiàn)了100萬次，其他單詞才出現(xiàn)10次，那么stage1的某個task就要處理100萬數(shù)據(jù)，整個stage的速度就會被這個task拖慢。

某個task莫名其妙內(nèi)存溢出的情況

這種情況下去定位出問題的代碼就比較容易了。我們建議直接看yarn-client模式下本地log的異常棧，或者是通過YARN查看yarn-cluster模式下的log中的異常棧。一般來說，通過異常棧信息就可以定位到你的代碼中哪一行發(fā)生了內(nèi)存溢出。然后在那行代碼附近找找，一般也會有shuffle類算子，此時很可能就是這個算子導(dǎo)致了數(shù)據(jù)傾斜。

但是大家要注意的是，不能單純靠偶然的內(nèi)存溢出就判定發(fā)生了數(shù)據(jù)傾斜。因?yàn)樽约壕帉懙拇a的bug，以及偶然出現(xiàn)的數(shù)據(jù)異常，也可能會導(dǎo)致內(nèi)存溢出。因此還是要按照上面所講的方法，通過Spark Web UI查看報錯的那個stage的各個task的運(yùn)行時間以及分配的數(shù)據(jù)量，才能確定是否是由于數(shù)據(jù)傾斜才導(dǎo)致了這次內(nèi)存溢出。

查看導(dǎo)致數(shù)據(jù)傾斜的key的數(shù)據(jù)分布情況

知道了數(shù)據(jù)傾斜發(fā)生在哪里之后，通常需要分析一下那個執(zhí)行了shuffle操作并且導(dǎo)致了數(shù)據(jù)傾斜的RDD/Hive表，查看一下其中key的分布情況。這主要是為之后選擇哪一種技術(shù)方案提供依據(jù)。針對不同的key分布與不同的shuffle算子組合起來的各種情況，可能需要選擇不同的技術(shù)方案來解決。

此時根據(jù)你執(zhí)行操作的情況不同，可以有很多種查看key分布的方式： 1. 如果是Spark SQL中的group by、join語句導(dǎo)致的數(shù)據(jù)傾斜，那么就查詢一下SQL中使用的表的key分布情況。 2. 如果是對Spark RDD執(zhí)行shuffle算子導(dǎo)致的數(shù)據(jù)傾斜，那么可以在Spark作業(yè)中加入查看key分布的代碼，比如RDD.countByKey()。然后對統(tǒng)計出來的各個key出現(xiàn)的次數(shù)，collect/take到客戶端打印一下，就可以看到key的分布情況。

舉例來說，對于上面所說的單詞計數(shù)程序，如果確定了是stage1的reduceByKey算子導(dǎo)致了數(shù)據(jù)傾斜，那么就應(yīng)該看看進(jìn)行reduceByKey操作的RDD中的key分布情況，在這個例子中指的就是pairs RDD。如下示例，我們可以先對pairs采樣10%的樣本數(shù)據(jù)，然后使用countByKey算子統(tǒng)計出每個key出現(xiàn)的次數(shù)，最后在客戶端遍歷和打印樣本數(shù)據(jù)中各個key的出現(xiàn)次數(shù)。

val sampledPairs = pairs.sample(false, 0.1)

val sampledWordCounts = sampledPairs.countByKey()

sampledWordCounts.foreach(println(_))

數(shù)據(jù)傾斜的解決方案

解決方案一：使用Hive ETL預(yù)處理數(shù)據(jù)

方案適用場景：導(dǎo)致數(shù)據(jù)傾斜的是Hive表。如果該Hive表中的數(shù)據(jù)本身很不均勻(比如某個key對應(yīng)了100萬數(shù)據(jù)，其他key才對應(yīng)了10條數(shù)據(jù))，而且業(yè)務(wù)場景需要頻繁使用Spark對Hive表執(zhí)行某個分析操作，那么比較適合使用這種技術(shù)方案。

方案實(shí)現(xiàn)思路：此時可以評估一下，是否可以通過Hive來進(jìn)行數(shù)據(jù)預(yù)處理(即通過Hive ETL預(yù)先對數(shù)據(jù)按照key進(jìn)行聚合，或者是預(yù)先和其他表進(jìn)行join)，然后在Spark作業(yè)中針對的數(shù)據(jù)源就不是原來的Hive表了，而是預(yù)處理后的Hive表。此時由于數(shù)據(jù)已經(jīng)預(yù)先進(jìn)行過聚合或join操作了，那么在Spark作業(yè)中也就不需要使用原先的shuffle類算子執(zhí)行這類操作了。

方案實(shí)現(xiàn)原理：這種方案從根源上解決了數(shù)據(jù)傾斜，因?yàn)閺氐妆苊饬嗽赟park中執(zhí)行shuffle類算子，那么肯定就不會有數(shù)據(jù)傾斜的問題了。但是這里也要提醒一下大家，這種方式屬于治標(biāo)不治本。因?yàn)楫吘箶?shù)據(jù)本身就存在分布不均勻的問題，所以Hive ETL中進(jìn)行g(shù)roup by或者join等shuffle操作時，還是會出現(xiàn)數(shù)據(jù)傾斜，導(dǎo)致Hive ETL的速度很慢。我們只是把數(shù)據(jù)傾斜的發(fā)生提前到了Hive ETL中，避免Spark程序發(fā)生數(shù)據(jù)傾斜而已。

方案優(yōu)點(diǎn)：實(shí)現(xiàn)起來簡單便捷，效果還非常好，完全規(guī)避掉了數(shù)據(jù)傾斜，Spark作業(yè)的性能會大幅度提升。

方案缺點(diǎn)：治標(biāo)不治本，Hive ETL中還是會發(fā)生數(shù)據(jù)傾斜。

方案實(shí)踐經(jīng)驗(yàn)：在一些Java系統(tǒng)與Spark結(jié)合使用的項目中，會出現(xiàn)Java代碼頻繁調(diào)用Spark作業(yè)的場景，而且對Spark作業(yè)的執(zhí)行性能要求很高，就比較適合使用這種方案。將數(shù)據(jù)傾斜提前到上游的Hive ETL，每天僅執(zhí)行一次，只有那一次是比較慢的，而之后每次Java調(diào)用Spark作業(yè)時，執(zhí)行速度都會很快，能夠提供更好的用戶體驗(yàn)。

項目實(shí)踐經(jīng)驗(yàn)：在美團(tuán)·點(diǎn)評的交互式用戶行為分析系統(tǒng)中使用了這種方案，該系統(tǒng)主要是允許用戶通過Java Web系統(tǒng)提交數(shù)據(jù)分析統(tǒng)計任務(wù)，后端通過Java提交Spark作業(yè)進(jìn)行數(shù)據(jù)分析統(tǒng)計。要求Spark作業(yè)速度必須要快，盡量在10分鐘以內(nèi)，否則速度太慢，用戶體驗(yàn)會很差。所以我們將有些Spark作業(yè)的shuffle操作提前到了Hive ETL中，從而讓Spark直接使用預(yù)處理的Hive中間表，盡可能地減少Spark的shuffle操作，大幅度提升了性能，將部分作業(yè)的性能提升了6倍以上。

解決方案二：過濾少數(shù)導(dǎo)致傾斜的key

方案適用場景：如果發(fā)現(xiàn)導(dǎo)致傾斜的key就少數(shù)幾個，而且對計算本身的影響并不大的話，那么很適合使用這種方案。比如99%的key就對應(yīng)10條數(shù)據(jù)，但是只有一個key對應(yīng)了100萬數(shù)據(jù)，從而導(dǎo)致了數(shù)據(jù)傾斜。

方案實(shí)現(xiàn)思路：如果我們判斷那少數(shù)幾個數(shù)據(jù)量特別多的key，對作業(yè)的執(zhí)行和計算結(jié)果不是特別重要的話，那么干脆就直接過濾掉那少數(shù)幾個key。比如，在Spark SQL中可以使用where子句過濾掉這些key或者在Spark Core中對RDD執(zhí)行filter算子過濾掉這些key。如果需要每次作業(yè)執(zhí)行時，動態(tài)判定哪些key的數(shù)據(jù)量最多然后再進(jìn)行過濾，那么可以使用sample算子對RDD進(jìn)行采樣，然后計算出每個key的數(shù)量，取數(shù)據(jù)量最多的key過濾掉即可。

方案實(shí)現(xiàn)原理：將導(dǎo)致數(shù)據(jù)傾斜的key給過濾掉之后，這些key就不會參與計算了，自然不可能產(chǎn)生數(shù)據(jù)傾斜。

方案優(yōu)點(diǎn)：實(shí)現(xiàn)簡單，而且效果也很好，可以完全規(guī)避掉數(shù)據(jù)傾斜。

方案缺點(diǎn)：適用場景不多，大多數(shù)情況下，導(dǎo)致傾斜的key還是很多的，并不是只有少數(shù)幾個。

方案實(shí)踐經(jīng)驗(yàn)：在項目中我們也采用過這種方案解決數(shù)據(jù)傾斜。有一次發(fā)現(xiàn)某一天Spark作業(yè)在運(yùn)行的時候突然OOM了，追查之后發(fā)現(xiàn)，是Hive表中的某一個key在那天數(shù)據(jù)異常，導(dǎo)致數(shù)據(jù)量暴增。因此就采取每次執(zhí)行前先進(jìn)行采樣，計算出樣本中數(shù)據(jù)量最大的幾個key之后，直接在程序中將那些key給過濾掉。

解決方案三：提高shuffle操作的并行度

方案適用場景：如果我們必須要對數(shù)據(jù)傾斜迎難而上，那么建議優(yōu)先使用這種方案，因?yàn)檫@是處理數(shù)據(jù)傾斜最簡單的一種方案。

方案實(shí)現(xiàn)思路：在對RDD執(zhí)行shuffle算子時，給shuffle算子傳入一個參數(shù)，比如reduceByKey(1000)，該參數(shù)就設(shè)置了這個shuffle算子執(zhí)行時shuffle read task的數(shù)量。對于Spark SQL中的shuffle類語句，比如group by、join等，需要設(shè)置一個參數(shù)，即spark.sql.shuffle.partitions，該參數(shù)代表了shuffle read task的并行度，該值默認(rèn)是200，對于很多場景來說都有點(diǎn)過小。

方案實(shí)現(xiàn)原理：增加shuffle read task的數(shù)量，可以讓原本分配給一個task的多個key分配給多個task，從而讓每個task處理比原來更少的數(shù)據(jù)。舉例來說，如果原本有5個key，每個key對應(yīng)10條數(shù)據(jù)，這5個key都是分配給一個task的，那么這個task就要處理50條數(shù)據(jù)。而增加了shuffle read task以后，每個task就分配到一個key，即每個task就處理10條數(shù)據(jù)，那么自然每個task的執(zhí)行時間都會變短了。具體原理如下圖所示。

方案優(yōu)點(diǎn)：實(shí)現(xiàn)起來比較簡單，可以有效緩解和減輕數(shù)據(jù)傾斜的影響。

方案缺點(diǎn)：只是緩解了數(shù)據(jù)傾斜而已，沒有徹底根除問題，根據(jù)實(shí)踐經(jīng)驗(yàn)來看，其效果有限。

方案實(shí)踐經(jīng)驗(yàn)：該方案通常無法徹底解決數(shù)據(jù)傾斜，因?yàn)槿绻霈F(xiàn)一些極端情況，比如某個key對應(yīng)的數(shù)據(jù)量有100萬，那么無論你的task數(shù)量增加到多少，這個對應(yīng)著100萬數(shù)據(jù)的key肯定還是會分配到一個task中去處理，因此注定還是會發(fā)生數(shù)據(jù)傾斜的。所以這種方案只能說是在發(fā)現(xiàn)數(shù)據(jù)傾斜時嘗試使用的第一種手段，嘗試去用嘴簡單的方法緩解數(shù)據(jù)傾斜而已，或者是和其他方案結(jié)合起來使用。

解決方案四：兩階段聚合(局部聚合+全局聚合)

方案適用場景：對RDD執(zhí)行reduceByKey等聚合類shuffle算子或者在Spark SQL中使用group by語句進(jìn)行分組聚合時，比較適用這種方案。

方案實(shí)現(xiàn)思路：這個方案的核心實(shí)現(xiàn)思路就是進(jìn)行兩階段聚合。第一次是局部聚合，先給每個key都打上一個隨機(jī)數(shù)，比如10以內(nèi)的隨機(jī)數(shù)，此時原先一樣的key就變成不一樣的了，比如(hello, 1) (hello, 1) (hello, 1) (hello, 1)，就會變成(1_hello, 1) (1_hello, 1) (2_hello, 1) (2_hello, 1)。接著對打上隨機(jī)數(shù)后的數(shù)據(jù)，執(zhí)行reduceByKey等聚合操作，進(jìn)行局部聚合，那么局部聚合結(jié)果，就會變成了(1_hello, 2) (2_hello, 2)。然后將各個key的前綴給去掉，就會變成(hello,2)(hello,2)，再次進(jìn)行全局聚合操作，就可以得到最終結(jié)果了，比如(hello, 4)。

方案實(shí)現(xiàn)原理：將原本相同的key通過附加隨機(jī)前綴的方式，變成多個不同的key，就可以讓原本被一個task處理的數(shù)據(jù)分散到多個task上去做局部聚合，進(jìn)而解決單個task處理數(shù)據(jù)量過多的問題。接著去除掉隨機(jī)前綴，再次進(jìn)行全局聚合，就可以得到最終的結(jié)果。具體原理見下圖。

方案優(yōu)點(diǎn)：對于聚合類的shuffle操作導(dǎo)致的數(shù)據(jù)傾斜，效果是非常不錯的。通常都可以解決掉數(shù)據(jù)傾斜，或者至少是大幅度緩解數(shù)據(jù)傾斜，將Spark作業(yè)的性能提升數(shù)倍以上。

方案缺點(diǎn)：僅僅適用于聚合類的shuffle操作，適用范圍相對較窄。如果是join類的shuffle操作，還得用其他的解決方案。

// 第一步，給RDD中的每個key都打上一個隨機(jī)前綴。

JavaPairRDD randomPrefixRdd = rdd.mapToPair(

new PairFunction, String, Long>() {

private static final long serialVersionUID = 1L;

@Override

public Tuple2 call(Tuple2 tuple)

throws Exception {

Random random = new Random();

int prefix = random.nextInt(10);

return new Tuple2(prefix + "_" + tuple._1, tuple._2);

}

});

// 第二步，對打上隨機(jī)前綴的key進(jìn)行局部聚合。

JavaPairRDD localAggrRdd = randomPrefixRdd.reduceByKey(

new Function2() {

private static final long serialVersionUID = 1L;

@Override

public Long call(Long v1, Long v2) throws Exception {

return v1 + v2;

}

});

// 第三步，去除RDD中每個key的隨機(jī)前綴。

JavaPairRDD removedRandomPrefixRdd = localAggrRdd.mapToPair(

new PairFunction, Long, Long>() {

private static final long serialVersionUID = 1L;

@Override

public Tuple2 call(Tuple2 tuple)

throws Exception {

long originalKey = Long.valueOf(tuple._1.split("_")[1]);

return new Tuple2(originalKey, tuple._2);

}

});

// 第四步，對去除了隨機(jī)前綴的RDD進(jìn)行全局聚合。

JavaPairRDD globalAggrRdd = removedRandomPrefixRdd.reduceByKey(

new Function2() {

private static final long serialVersionUID = 1L;

@Override

public Long call(Long v1, Long v2) throws Exception {

return v1 + v2;

}

});

解決方案五：將reduce join轉(zhuǎn)為map join

方案適用場景：在對RDD使用join類操作，或者是在Spark SQL中使用join語句時，而且join操作中的一個RDD或表的數(shù)據(jù)量比較小(比如幾百M(fèi)或者一兩G)，比較適用此方案。

方案實(shí)現(xiàn)思路：不使用join算子進(jìn)行連接操作，而使用Broadcast變量與map類算子實(shí)現(xiàn)join操作，進(jìn)而完全規(guī)避掉shuffle類的操作，徹底避免數(shù)據(jù)傾斜的發(fā)生和出現(xiàn)。將較小RDD中的數(shù)據(jù)直接通過collect算子拉取到Driver端的內(nèi)存中來，然后對其創(chuàng)建一個Broadcast變量；接著對另外一個RDD執(zhí)行map類算子，在算子函數(shù)內(nèi)，從Broadcast變量中獲取較小RDD的全量數(shù)據(jù)，與當(dāng)前RDD的每一條數(shù)據(jù)按照連接key進(jìn)行比對，如果連接key相同的話，那么就將兩個RDD的數(shù)據(jù)用你需要的方式連接起來。

方案實(shí)現(xiàn)原理：普通的join是會走shuffle過程的，而一旦shuffle，就相當(dāng)于會將相同key的數(shù)據(jù)拉取到一個shuffle read task中再進(jìn)行join，此時就是reduce join。但是如果一個RDD是比較小的，則可以采用廣播小RDD全量數(shù)據(jù)+map算子來實(shí)現(xiàn)與join同樣的效果，也就是map join，此時就不會發(fā)生shuffle操作，也就不會發(fā)生數(shù)據(jù)傾斜。具體原理如下圖所示。

方案優(yōu)點(diǎn)：對join操作導(dǎo)致的數(shù)據(jù)傾斜，效果非常好，因?yàn)楦揪筒粫l(fā)生shuffle，也就根本不會發(fā)生數(shù)據(jù)傾斜。

方案缺點(diǎn)：適用場景較少，因?yàn)檫@個方案只適用于一個大表和一個小表的情況。畢竟我們需要將小表進(jìn)行廣播，此時會比較消耗內(nèi)存資源，driver和每個Executor內(nèi)存中都會駐留一份小RDD的全量數(shù)據(jù)。如果我們廣播出去的RDD數(shù)據(jù)比較大，比如10G以上，那么就可能發(fā)生內(nèi)存溢出了。因此并不適合兩個都是大表的情況。

// 首先將數(shù)據(jù)量比較小的RDD的數(shù)據(jù)，collect到Driver中來。

List> rdd1Data = rdd1.collect()

// 然后使用Spark的廣播功能，將小RDD的數(shù)據(jù)轉(zhuǎn)換成廣播變量，這樣每個Executor就只有一份RDD的數(shù)據(jù)。

// 可以盡可能節(jié)省內(nèi)存空間，并且減少網(wǎng)絡(luò)傳輸性能開銷。

final Broadcast>> rdd1DataBroadcast = sc.broadcast(rdd1Data);

// 對另外一個RDD執(zhí)行map類操作，而不再是join類操作。

JavaPairRDD> joinedRdd = rdd2.mapToPair(

new PairFunction, String, Tuple2>() {

private static final long serialVersionUID = 1L;

@Override

public Tuple2> call(Tuple2 tuple)

throws Exception {

// 在算子函數(shù)中，通過廣播變量，獲取到本地Executor中的rdd1數(shù)據(jù)。

List> rdd1Data = rdd1DataBroadcast.value();

// 可以將rdd1的數(shù)據(jù)轉(zhuǎn)換為一個Map，便于后面進(jìn)行join操作。

Map rdd1DataMap = new HashMap();

for(Tuple2 data : rdd1Data) {

rdd1DataMap.put(data._1, data._2);

}

// 獲取當(dāng)前RDD數(shù)據(jù)的key以及value。

String key = tuple._1;

String value = tuple._2;

// 從rdd1數(shù)據(jù)Map中，根據(jù)key獲取到可以join到的數(shù)據(jù)。

Row rdd1Value = rdd1DataMap.get(key);

return new Tuple2(key, new Tuple2(value, rdd1Value));

}

});

// 這里得提示一下。

// 上面的做法，僅僅適用于rdd1中的key沒有重復(fù)，全部是唯一的場景。

// 如果rdd1中有多個相同的key，那么就得用flatMap類的操作，在進(jìn)行join的時候不能用map，而是得遍歷rdd1所有數(shù)據(jù)進(jìn)行join。

// rdd2中每條數(shù)據(jù)都可能會返回多條join后的數(shù)據(jù)。

解決方案六：采樣傾斜key并分拆join操作

方案適用場景：兩個RDD/Hive表進(jìn)行join的時候，如果數(shù)據(jù)量都比較大，無法采用“解決方案五”，那么此時可以看一下兩個RDD/Hive表中的key分布情況。如果出現(xiàn)數(shù)據(jù)傾斜，是因?yàn)槠渲心骋粋€RDD/Hive表中的少數(shù)幾個key的數(shù)據(jù)量過大，而另一個RDD/Hive表中的所有key都分布比較均勻，那么采用這個解決方案是比較合適的。

方案實(shí)現(xiàn)思路： 對包含少數(shù)幾個數(shù)據(jù)量過大的key的那個RDD，通過sample算子采樣出一份樣本來，然后統(tǒng)計一下每個key的數(shù)量，計算出來數(shù)據(jù)量最大的是哪幾個key。 然后將這幾個key對應(yīng)的數(shù)據(jù)從原來的RDD中拆分出來，形成一個單獨(dú)的RDD，并給每個key都打上n以內(nèi)的隨機(jī)數(shù)作為前綴，而不會導(dǎo)致傾斜的大部分key形成另外一個RDD。 接著將需要join的另一個RDD，也過濾出來那幾個傾斜key對應(yīng)的數(shù)據(jù)并形成一個單獨(dú)的RDD，將每條數(shù)據(jù)膨脹成n條數(shù)據(jù)，這n條數(shù)據(jù)都按順序附加一個0~n的前綴，不會導(dǎo)致傾斜的大部分key也形成另外一個RDD。 再將附加了隨機(jī)前綴的獨(dú)立RDD與另一個膨脹n倍的獨(dú)立RDD進(jìn)行join，此時就可以將原先相同的key打散成n份，分散到多個task中去進(jìn)行join了。 而另外兩個普通的RDD就照常join即可。 最后將兩次join的結(jié)果使用union算子合并起來即可，就是最終的join結(jié)果。

方案實(shí)現(xiàn)原理：對于join導(dǎo)致的數(shù)據(jù)傾斜，如果只是某幾個key導(dǎo)致了傾斜，可以將少數(shù)幾個key分拆成獨(dú)立RDD，并附加隨機(jī)前綴打散成n份去進(jìn)行join，此時這幾個key對應(yīng)的數(shù)據(jù)就不會集中在少數(shù)幾個task上，而是分散到多個task進(jìn)行join了。具體原理見下圖。

方案優(yōu)點(diǎn)：對于join導(dǎo)致的數(shù)據(jù)傾斜，如果只是某幾個key導(dǎo)致了傾斜，采用該方式可以用最有效的方式打散key進(jìn)行join。而且只需要針對少數(shù)傾斜key對應(yīng)的數(shù)據(jù)進(jìn)行擴(kuò)容n倍，不需要對全量數(shù)據(jù)進(jìn)行擴(kuò)容。避免了占用過多內(nèi)存。

方案缺點(diǎn)：如果導(dǎo)致傾斜的key特別多的話，比如成千上萬個key都導(dǎo)致數(shù)據(jù)傾斜，那么這種方式也不適合。

// 首先從包含了少數(shù)幾個導(dǎo)致數(shù)據(jù)傾斜key的rdd1中，采樣10%的樣本數(shù)據(jù)。

JavaPairRDD sampledRDD = rdd1.sample(false, 0.1);

// 對樣本數(shù)據(jù)RDD統(tǒng)計出每個key的出現(xiàn)次數(shù)，并按出現(xiàn)次數(shù)降序排序。

// 對降序排序后的數(shù)據(jù)，取出top 1或者top 100的數(shù)據(jù)，也就是key最多的前n個數(shù)據(jù)。

// 具體取出多少個數(shù)據(jù)量最多的key，由大家自己決定，我們這里就取1個作為示范。

JavaPairRDD mappedSampledRDD = sampledRDD.mapToPair(

new PairFunction, Long, Long>() {

private static final long serialVersionUID = 1L;

@Override

public Tuple2 call(Tuple2 tuple)

throws Exception {

return new Tuple2(tuple._1, 1L);

}

});

JavaPairRDD countedSampledRDD = mappedSampledRDD.reduceByKey(

new Function2() {

private static final long serialVersionUID = 1L;

@Override

public Long call(Long v1, Long v2) throws Exception {

return v1 + v2;

}

});

JavaPairRDD reversedSampledRDD = countedSampledRDD.mapToPair(

new PairFunction, Long, Long>() {

private static final long serialVersionUID = 1L;

@Override

public Tuple2 call(Tuple2 tuple)

throws Exception {

return new Tuple2(tuple._2, tuple._1);

}

});

final Long skewedUserid = reversedSampledRDD.sortByKey(false).take(1).get(0)._2;

// 從rdd1中分拆出導(dǎo)致數(shù)據(jù)傾斜的key，形成獨(dú)立的RDD。

JavaPairRDD skewedRDD = rdd1.filter(

new Function, Boolean>() {

private static final long serialVersionUID = 1L;

@Override

public Boolean call(Tuple2 tuple) throws Exception {

return tuple._1.equals(skewedUserid);

}

});

// 從rdd1中分拆出不導(dǎo)致數(shù)據(jù)傾斜的普通key，形成獨(dú)立的RDD。

JavaPairRDD commonRDD = rdd1.filter(

new Function, Boolean>() {

private static final long serialVersionUID = 1L;

@Override

public Boolean call(Tuple2 tuple) throws Exception {

return !tuple._1.equals(skewedUserid);

}

});

// rdd2，就是那個所有key的分布相對較為均勻的rdd。

// 這里將rdd2中，前面獲取到的key對應(yīng)的數(shù)據(jù)，過濾出來，分拆成單獨(dú)的rdd，并對rdd中的數(shù)據(jù)使用flatMap算子都擴(kuò)容100倍。

// 對擴(kuò)容的每條數(shù)據(jù)，都打上0～100的前綴。

JavaPairRDD skewedRdd2 = rdd2.filter(

new Function, Boolean>() {

private static final long serialVersionUID = 1L;

@Override

public Boolean call(Tuple2 tuple) throws Exception {

return tuple._1.equals(skewedUserid);

}

}).flatMapToPair(new PairFlatMapFunction, String, Row>() {

private static final long serialVersionUID = 1L;

@Override

public Iterable> call(

Tuple2 tuple) throws Exception {

Random random = new Random();

List> list = new ArrayList>();

for(int i = 0; i < 100; i++) {

list.add(new Tuple2(i + "_" + tuple._1, tuple._2));

}

return list;

}

});

// 將rdd1中分拆出來的導(dǎo)致傾斜的key的獨(dú)立rdd，每條數(shù)據(jù)都打上100以內(nèi)的隨機(jī)前綴。

// 然后將這個rdd1中分拆出來的獨(dú)立rdd，與上面rdd2中分拆出來的獨(dú)立rdd，進(jìn)行join。

JavaPairRDD> joinedRDD1 = skewedRDD.mapToPair(

new PairFunction, String, String>() {

private static final long serialVersionUID = 1L;

@Override

public Tuple2 call(Tuple2 tuple)

throws Exception {

Random random = new Random();

int prefix = random.nextInt(100);

return new Tuple2(prefix + "_" + tuple._1, tuple._2);

}

})

.join(skewedUserid2infoRDD)

.mapToPair(new PairFunction>, Long, Tuple2>() {

private static final long serialVersionUID = 1L;

@Override

public Tuple2> call(

Tuple2> tuple)

throws Exception {

long key = Long.valueOf(tuple._1.split("_")[1]);

return new Tuple2>(key, tuple._2);

}

});

// 將rdd1中分拆出來的包含普通key的獨(dú)立rdd，直接與rdd2進(jìn)行join。

JavaPairRDD> joinedRDD2 = commonRDD.join(rdd2);

// 將傾斜key join后的結(jié)果與普通key join后的結(jié)果，uinon起來。

// 就是最終的join結(jié)果。

JavaPairRDD> joinedRDD = joinedRDD1.union(joinedRDD2);

解決方案七：使用隨機(jī)前綴和擴(kuò)容RDD進(jìn)行join

方案適用場景：如果在進(jìn)行join操作時，RDD中有大量的key導(dǎo)致數(shù)據(jù)傾斜，那么進(jìn)行分拆key也沒什么意義，此時就只能使用最后一種方案來解決問題了。

方案實(shí)現(xiàn)思路： * 該方案的實(shí)現(xiàn)思路基本和“解決方案六”類似，首先查看RDD/Hive表中的數(shù)據(jù)分布情況，找到那個造成數(shù)據(jù)傾斜的RDD/Hive表，比如有多個key都對應(yīng)了超過1萬條數(shù)據(jù)。 * 然后將該RDD的每條數(shù)據(jù)都打上一個n以內(nèi)的隨機(jī)前綴。 * 同時對另外一個正常的RDD進(jìn)行擴(kuò)容，將每條數(shù)據(jù)都擴(kuò)容成n條數(shù)據(jù)，擴(kuò)容出來的每條數(shù)據(jù)都依次打上一個0~n的前綴。 * 最后將兩個處理后的RDD進(jìn)行join即可。

方案實(shí)現(xiàn)原理：將原先一樣的key通過附加隨機(jī)前綴變成不一樣的key，然后就可以將這些處理后的“不同key”分散到多個task中去處理，而不是讓一個task處理大量的相同key。該方案與“解決方案六”的不同之處就在于，上一種方案是盡量只對少數(shù)傾斜key對應(yīng)的數(shù)據(jù)進(jìn)行特殊處理，由于處理過程需要擴(kuò)容RDD，因此上一種方案擴(kuò)容RDD后對內(nèi)存的占用并不大；而這一種方案是針對有大量傾斜key的情況，沒法將部分key拆分出來進(jìn)行單獨(dú)處理，因此只能對整個RDD進(jìn)行數(shù)據(jù)擴(kuò)容，對內(nèi)存資源要求很高。

方案優(yōu)點(diǎn)：對join類型的數(shù)據(jù)傾斜基本都可以處理，而且效果也相對比較顯著，性能提升效果非常不錯。

方案缺點(diǎn)：該方案更多的是緩解數(shù)據(jù)傾斜，而不是徹底避免數(shù)據(jù)傾斜。而且需要對整個RDD進(jìn)行擴(kuò)容，對內(nèi)存資源要求很高。

方案實(shí)踐經(jīng)驗(yàn)：曾經(jīng)開發(fā)一個數(shù)據(jù)需求的時候，發(fā)現(xiàn)一個join導(dǎo)致了數(shù)據(jù)傾斜。優(yōu)化之前，作業(yè)的執(zhí)行時間大約是60分鐘左右；使用該方案優(yōu)化之后，執(zhí)行時間縮短到10分鐘左右，性能提升了6倍。

// 首先將其中一個key分布相對較為均勻的RDD膨脹100倍。

JavaPairRDD expandedRDD = rdd1.flatMapToPair(

new PairFlatMapFunction, String, Row>() {

private static final long serialVersionUID = 1L;

@Override

public Iterable> call(Tuple2 tuple)

throws Exception {

List> list = new ArrayList>();

for(int i = 0; i < 100; i++) {

list.add(new Tuple2(0 + "_" + tuple._1, tuple._2));

}

return list;

}

});

// 其次，將另一個有數(shù)據(jù)傾斜key的RDD，每條數(shù)據(jù)都打上100以內(nèi)的隨機(jī)前綴。

JavaPairRDD mappedRDD = rdd2.mapToPair(

new PairFunction, String, String>() {

private static final long serialVersionUID = 1L;

@Override

public Tuple2 call(Tuple2 tuple)

throws Exception {

Random random = new Random();

int prefix = random.nextInt(100);

return new Tuple2(prefix + "_" + tuple._1, tuple._2);

}

});

// 將兩個處理后的RDD進(jìn)行join即可。

JavaPairRDD> joinedRDD = mappedRDD.join(expandedRDD);

解決方案八：多種方案組合使用

在實(shí)踐中發(fā)現(xiàn)，很多情況下，如果只是處理較為簡單的數(shù)據(jù)傾斜場景，那么使用上述方案中的某一種基本就可以解決。但是如果要處理一個較為復(fù)雜的數(shù)據(jù)傾斜場景，那么可能需要將多種方案組合起來使用。比如說，我們針對出現(xiàn)了多個數(shù)據(jù)傾斜環(huán)節(jié)的Spark作業(yè)，可以先運(yùn)用解決方案一和二，預(yù)處理一部分?jǐn)?shù)據(jù)，并過濾一部分?jǐn)?shù)據(jù)來緩解；其次可以對某些shuffle操作提升并行度，優(yōu)化其性能；最后還可以針對不同的聚合或join操作，選擇一種方案來優(yōu)化其性能。大家需要對這些方案的思路和原理都透徹理解之后，在實(shí)踐中根據(jù)各種不同的情況，靈活運(yùn)用多種方案，來解決自己的數(shù)據(jù)傾斜問題。

總結(jié)

以上是生活随笔為你收集整理的hive解决数据倾斜问题_八种解决 Spark 数据倾斜的方法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。