什么是數據傾斜?
????簡單的講，數據傾斜就是我們在計算數據的時候，數據的分散度不夠，導致大量的數據集中到了一臺或者幾臺機器上計算，這些數據的計算速度遠遠低于平均計算速度，導致整個計算過程過慢。?
????相信大部分做數據的童鞋們都會遇到數據傾斜，數據傾斜會發生在數據開發的各個環節中，比如：

• 用Hive算數據的時候reduce階段卡在99.99%

• 用SparkStreaming做實時算法時候，一直會有executor出現OOM的錯誤，但是其余的executor內存使用率卻很低。?
  ????數據傾斜有一個關鍵因素是數據量大，可以達到千億級。

  數據傾斜長的表現

????以Hadoop和Spark是最常見的兩個計算平臺，下面就以這兩個平臺說明：

1、Hadoop中的數據傾斜

????Hadoop中直接貼近用戶使用使用的時Mapreduce程序和Hive程序，雖說Hive最后也是用MR來執行（至少目前Hive內存計算并不普及），但是畢竟寫的內容邏輯區別很大，一個是程序，一個是Sql，因此這里稍作區分。

Hadoop中的數據傾斜主要表現在ruduce階段卡在99.99%，一直99.99%不能結束。?
這里如果詳細的看日志或者和監控界面的話會發現：

• 有一個多幾個reduce卡住
• 各種container報錯OOM
• 讀寫的數據量極大，至少遠遠超過其它正常的reduce?
  伴隨著數據傾斜，會出現任務被kill等各種詭異的表現。

經驗：?Hive的數據傾斜，一般都發生在Sql中Group和On上，而且和數據邏輯綁定比較深。

2、Spark中的數據傾斜

????Spark中的數據傾斜也很常見，這里包括Spark Streaming和Spark Sql，表現主要有下面幾種：

• Executor lost，OOM，Shuffle過程出錯
• Driver OOM
• 單個Executor執行時間特別久，整體任務卡在某個階段不能結束
• 正常運行的任務突然失敗

補充一下，在Spark streaming程序中，數據傾斜更容易出現，特別是在程序中包含一些類似sql的join、group這種操作的時候。 因為Spark Streaming程序在運行的時候，我們一般不會分配特別多的內存，因此一旦在這個過程中出現一些數據傾斜，就十分容易造成OOM。

數據傾斜的原理

1、數據傾斜產生的原因?
????????我們以Spark和Hive的使用場景為例。他們在做數據運算的時候會設計到，countdistinct、group by、join等操作，這些都會觸發Shuffle動作，一旦觸發，所有相同key的值就會拉到一個或幾個節點上，就容易發生單點問題。

2、萬惡的shuffle?
????????Shuffle是一個能產生奇跡的地方，不管是在Spark還是Hadoop中，它們的作用都是至關重要的。那么在Shuffle如何產生了數據傾斜？

Hadoop和Spark在Shuffle過程中產生數據傾斜的原理基本類似。如下圖。?

????????大部分數據傾斜的原理就類似于下圖，很明了，因為數據分布不均勻，導致大量的數據分配到了一個節點。

?

3、從業務計角度來理解數據傾斜

????????數據往往和業務是強相關的，業務的場景直接影響到了數據的分布。再舉一個例子，比如就說訂單場景吧，我們在某一天在北京和上海兩個城市多了強力的推廣，結果可能是這兩個城市的訂單量增長了10000%，其余城市的數據量不變。然后我們要統計不同城市的訂單情況，這樣，一做group操作，可能直接就數據傾斜了。

如何解決

????????數據傾斜的產生是有一些討論的，解決它們也是有一些討論的，本章會先給出幾個解決數據傾斜的思路，然后對Hadoop和Spark分別給出一些解決數據傾斜的方案。?
一、幾個思路?
????解決數據傾斜有這幾個思路：?
????????1.業務邏輯，我們從業務邏輯的層面上來優化數據傾斜，比如上面的例子，我們單獨對這兩個城市來做count，最后和其它城市做整合。?
????????2.程序層面，比如說在Hive中，經常遇到count（distinct）操作，這樣會導致最終只有一個reduce，我們可以先group 再在外面包一層count，就可以了。?
????????3.調參方面，Hadoop和Spark都自帶了很多的參數和機制來調節數據傾斜，合理利用它們就能解決大部分問題。

二、從業務和數據上解決數據傾斜

????????很多數據傾斜都是在數據的使用上造成的。我們舉幾個場景，并分別給出它們的解決方案。?
數據分布不均勻：?
前面提到的“從數據角度來理解數據傾斜”和“從業務計角度來理解數據傾斜”中的例子，其實都是數據分布不均勻的類型，這種情況和計算平臺無關，我們能通過設計的角度嘗試解決它。

• 有損的方法：?
  ????????????找到異常數據，比如ip為0的數據，過濾掉
• 無損的方法：?
  ????????????對分布不均勻的數據，單獨計算?
  ????????????先對key做一層hash，先將數據打散讓它的并行度變大，再匯集?
  ?數據預處理

三、Hadoop平臺的優化方法

????列出來一些方法和思路，具體的參數和用法在官網看就行了。

????????1.mapjoin方式?
????????2.count distinct的操作，先轉成group，再count?
????????3.hive.groupby.skewindata=true?
????????4.left semi jioin的使用?
????????5.設置map端輸出、中間結果壓縮。（不完全是解決數據傾斜的問題，但是減少了IO讀寫和網絡傳輸，能提高很多效率）

四、Spark平臺的優化方法?
????列出來一些方法和思路，具體的參數和用法在官網看就行了。?
????????1.mapjoin方式?
????????2.設置rdd壓縮?
????????3.合理設置driver的內存?
????????4.Spark Sql中的優化和Hive類似，可以參考Hive

總結

數據傾斜的坑還是很大的，如何處理數據傾斜是一個長期的過程，希望本文的一些思路能提供幫助。文中一些內容沒有細講，比如Hive Sql的優化，數據清洗中的各種坑，這些留待后面單獨的分享，會有很多的內容。另外千億級別的數據還會有更多的難點，不僅僅是數據傾斜的問題，這一點在后面也會有專門的分享。

轉載于:https://www.cnblogs.com/gala1021/p/8552302.html

總結

以上是生活随笔為你收集整理的大数据数据倾斜的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。