Spark学习——数据倾斜

其余更多java基础文章：
java基础学习(目录)

---

学习资料：数据倾斜是多么痛？spark做业/面试/调优必备秘籍

1. 什么是数据倾斜

数据倾斜是一种很常见的问题（依据二八定律），简单来讲，比方WordCount中某个Key对应的数据量很是大的话，就会产生数据倾斜，致使两个后果：

• OOM（单或少数的节点）；
• 拖慢整个Job执行时间（其余已经完成的节点都在等这个还在作的节点）。

2. 解决数据倾斜须要

• 搞定 Shuffle；
• 搞定业务场景；
• 搞定 CPU core 的使用状况；
• 搞定 OOM 的根本缘由等：通常都由于数据倾斜（某task任务的数据量过大，GC压力大，和Kafka不一样在于Kafka的内存不通过JVM，其基于Linux的Page）。

3. 致使Spark数据倾斜的本质

Shuffle时，需将各节点的相同key的数据拉取到某节点上的一个task来处理，若某个key对应的数据量很大就会发生数据倾斜。比方说大部分key对应10条数据，某key对应10万条，大部分task只会被分配10条数据，很快作完，个别task分配10万条数据，不只运行时间长，且整个stage的做业时间由最慢的task决定。

数据倾斜只会发生在Shuffle过程，如下算法可能触发Shuffle操做： distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。

4. 定位最慢的Task所处的源码位置

步骤一： 看数据倾斜发生在哪一个stage（也就是看以上算子出如今哪一个阶段）。yarn-client模式下查看本地log或Spark Web UI中当前运行的是哪一个stage；yarn-cluster模式下，经过Spark Web UI查看运行到了哪一个Stage。 主要看最慢的Stage各task分配的数据量，来肯定是不是数据倾斜。

步骤二：根据Stage划分，推算倾斜发生的代码（必然有Shuffle类算子）。简单实用方法：只要看到shuffle类算子或Spark SQL的SQL语句会有Shuffle类的算子的句子，就能够该地方划分为先后两个Stage。（以前用Python的PySpark接口，Spark Web UI会查看task在源码中的行数，Java或者Scala虽没用过，但我想应该有）

5. 解决方案

方案一：使用Hive ETL预处理

场景：若Hive表中数据不均匀，且业务中会频繁用Spark对Hive表分析；
思路：用Hive对数据预处理（对key聚合等操做），本来是Spark对Hive的原表操做，如今就是对Hive预处理后的表操做；
原理：从根源解决了数据倾斜，规避了了Spark进行Shuffle类算子操做。但Hive ETL中进行聚合等操做会发生数据倾斜，只是把慢转移给了Hive ETL；
优势：方便，效果好，规避了Spark数据倾斜；
缺点：治标不治本，Hive ETL会数据倾斜。

方案二：过滤致使倾斜的key

场景：发生倾斜的key不多且不重要；
思路：对发生倾斜的key过滤掉。比方在Spark SQL中用where子句或filter过滤，若每次做业执行，须要动态断定可以使用sample算子对RDD采样后取数据量最多的key过滤；
原理：对倾斜的key过滤后，这些key便不会参与后面的计算，从本质上消除数据倾斜；
优势：简单，效果明显；
缺点：适用场景少，实际中致使倾斜的key不少。

方案三：提升Shuffle操做并行度

场景：任何场景均可以，优先选择的最简单方案；
思路：对RDD操做的Shuffle算子传入一个参数，也就是设置Shuffle算子执行时的Shuffle read task数量。对于Spark SQL的Shuffle类语句（如group by，join）即spark.sql.shuffle.partitions，表明shuffle read task的并行度，默认值是200可修改；
原理：增大shuffle read task参数值，让每一个task处理比原来更少的数据；
优势：简单，有效；
缺点：缓解的效果颇有限。

方案四：双重聚合（局部聚合+全局聚合）

场景：对RDD进行reduceByKey等聚合类shuffle算子，SparkSQL的groupBy作分组聚合这两种状况
思路：首先经过map给每一个key打上n之内的随机数的前缀并进行局部聚合，即(hello, 1) (hello, 1) (hello, 1) (hello, 1)变为(1_hello, 1) (1_hello, 1) (2_hello, 1)，并进行reduceByKey的局部聚合，而后再次map将key的前缀随机数去掉再次进行全局聚合；
原理：对本来相同的key进行随机数附加，变成不一样key，让本来一个task处理的数据分摊到多个task作局部聚合，规避单task数据过量。以后再去随机前缀进行全局聚合；
优势：效果很是好（对聚合类Shuffle操做的倾斜问题）；
缺点：范围窄（仅适用于聚合类的Shuffle操做，join类的Shuffle还需其它方案）。

方案五：将reduce join转为map join

场景：对RDD或Spark SQL使用join类操做或语句，且join操做的RDD或表比较小（百兆或1,2G）； 思路：使用broadcast和map类算子实现join的功能替代本来的join，完全规避shuffle。对较小RDD直接collect到内存，并建立broadcast变量；并对另一个RDD执行map类算子，在该算子的函数中，从broadcast变量（collect出的较小RDD）与当前RDD中的每条数据依次比对key，相同的key执行你须要方式的join； 原理：若RDD较小，可采用广播小的RDD，并对大的RDD进行map，来实现与join一样的效果。简而言之，用broadcast-map代替join，规避join带来的shuffle（无Shuffle无倾斜）； 优势：效果很好（对join操做致使的倾斜），根治； 缺点：适用场景小（大表+小表），广播（driver和executor节点都会驻留小表数据）小表也耗内存。

方案六：采样倾斜key并分拆join操做

场景：两个较大的（没法采用方案五）RDD/Hive表进行join时，且一个RDD/Hive表中少数key数据量过大，另外一个RDD/Hive表的key分布较均匀（RDD中二者之一有一个更倾斜）；
思路：

1. 对更倾斜rdd1进行采样（RDD.sample）并统计出数据量最大的几个key；
2. 对这几个倾斜的key从本来rdd1中拆出造成一个单独的rdd1_1，并打上0~n的随机数前缀，被拆分的原rdd1的另外一部分（不包含倾斜key）又造成一个新rdd1_2；
3. 对rdd2过滤出rdd1倾斜的key，获得rdd2_1，并将其中每条数据扩n倍，对每条数据按顺序附加0~n的前缀，被拆分出key的rdd2也独立造成另外一个rdd2_2； 【我的认为，这里扩了n倍，最后union完还须要将每一个倾斜key对应的value减去(n-1)】
4. 将加了随机前缀的rdd1_1和rdd2_1进行join（此时本来倾斜的key被打散n份并被分散到更多的task中进行join）； 【我的认为，这里应该作两次join，两次join中间有一个map去前缀】
5. 另外两个普通的RDD（rdd1_二、rdd2_2）照常join；
6. 最后将两次join的结果用union结合获得最终的join结果。 原理：对join致使的倾斜是由于某几个key，可将本来RDD中的倾斜key拆分出原RDD获得新RDD，并以加随机前缀的方式打散n份作join，将倾斜key对应的大量数据分摊到更多task上来规避倾斜；

优势：前提是join致使的倾斜（某几个key倾斜），避免占用过多内存（只需对少数倾斜key扩容n倍）；
缺点：对过多倾斜key不适用。

方案七：用随机前缀和扩容RDD进行join

场景：RDD中有大量key致使倾斜； 思路：与方案六相似。

1. 查看RDD/Hive表中数据分布并找到形成倾斜的RDD/表；
2. 对倾斜RDD中的每条数据打上n之内的随机数前缀；
3. 对另一个正常RDD的每条数据扩容n倍，扩容出的每条数据依次打上0到n的前缀；
4. 对处理后的两个RDD进行join。

原理：与方案六只有惟一不一样在于这里对不倾斜RDD中全部数据进行扩大n倍，而不是找出倾斜key进行扩容（这是方案六）；
优势：对join类的数据倾斜均可处理，效果很是显著；
缺点：缓解，扩容须要大内存。
【我的认为，这里和方案六同样，也须要对扩容的key对应的value最后减去(n-1)，除非只需大小关系，对值没有要求】

方案八：多种方案组合

实际中，需综合着对业务全盘考虑，可先用方案一和二进行预处理，同时在须要Shuffle的操做提高Shuffle的并行度，最后针对数据分布选择后面方案中的一种或多种。实际中须要对数据和方案思路理解灵活应用。