最新解决spark数据倾斜，大数据开发工程面试问题

2401_84182824

于 2024-05-12 18:26:39 发布

阅读量847

点赞数 19

分类专栏：程序员文章标签：大数据面试学习

本文链接：https://blog.csdn.net/2401_84182824/article/details/138762695

版权

程序员专栏收录该内容

124 篇文章 1 订阅

订阅专栏

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

By 远方时光原创，可转载，open

合作微信公众号：大数据左右手

16年骑行到一个上坡时候，正好下着冰雹，有点累就停了下来，转身觉得风景很美，随手拍下了这张照片。累了就歇一会。

一什么是数据倾斜

1.先回顾一下并行计算和分布式计算

并行计算：单个计算机内同时处理多个计算任务。（单机多核处理任务）

分布式计算：将计算任务分配给多台计算机或者节点处理的方式。（多机多核处理任务）

2.数据倾斜

处理海量数据时候，通过分布式计算，使用多个节点帮我们处理海量数据，假如每个节点计算资源是均匀的，那我们希望分给每个节点的数据要尽量均匀。

数据倾斜就是我们在计算数据的时候，数据的分散度不够，导致大量的数据集中到了一台或者几台机器上计算，造成数据热点问题（数据倾斜的另一种说法），这些数据的计算速度远远低于平均计算速度，导致整个计算过程过慢（木桶效应）。

**形象的比方：**小罗，小蒋，小万个人能力差不多，我们希望领导分活尽量均匀分给每一个人，而不是领导把大部分任务都分给小罗（数据倾斜），小罗累死干不完。

二 spark数据倾斜表现

Spark中的数据倾斜，包括Spark Streaming和Spark Sql，表现主要有下面几种：

Executor lost，OOM，Shuffle过程出错；
Driver OOM；
单个Executor执行时间特别久，整体任务卡在某个阶段不能结束；
正常运行的任务突然失败；

三数据倾斜产生原因

我们以Spark和Hive的使用场景为例。

他们在做数据运算的时候会涉及到，count distinct、group by、join on等操作，这些都会触发Shuffle动作。一旦触发Shuffle，所有相同key的值就会被拉到一个或几个Reducer节点上，容易发生单点计算问题，导致数据倾斜。

四解决数据倾斜思路

很多数据倾斜的问题，都可以用和平台无关的方式解决，比如更好的数据预处理，异常值的过滤等。因此，解决数据倾斜的重点在于对数据设计和业务的理解，这两个搞清楚了，数据倾斜就解决了大部分了。

1.异常key, 找到异常数据，比如key为null，业务上没用用的话过滤掉。

2.对分布不均匀的key，单独计算。

3.预聚合，减少shuffle。

4.两阶段聚合*(局部聚合+全局聚合）*：先对key做一层hash，先将数据随机打散让它的并行度变大，再汇集。

五定位导致数据倾斜代码

Spark数据倾斜只会发生在shuffle过程中。常用的并且可能会触发shuffle操作的算子：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。

出现数据倾斜时，可能就是你的代码中使用了这些算子中的某一个所导致的。

某个task执行特别慢的情况,看task运行时间和数据量

首先要看的，就是数据倾斜发生在第几个stage中：

如果是用yarn-client模式提交，那么在提交的机器本地是直接可以看到log，可以在log中找到当前运行到了第几个stage；如果是用yarn-cluster模式提交，则可以通过Spark Web UI来查看当前运行到了第几个stage。都可以在Spark Web UI上深入看一下当前这个stage各个task分配的数据量，从而进一步确定是不是task分配的数据不均匀导致了数据倾斜。

**task运行时间：**有的task运行特别快，只需要几秒钟就可以运行完；而有的task运行特别慢，需要几分钟才能运行完，此时单从运行时间上看就已经能够确定发生数据倾斜了。

**task数据量：**运行时间特别短的task只需要处理几百KB的数据即可，而运行时间特别长的task需要处理几千KB的数据，处理的数据量差了10倍。此时更加能够确定是发生了数据倾斜。

某个task莫名其妙内存溢出的情况

建议直接看yarn-client模式下本地log的异常栈，或者是通过YARN查看yarn-cluster模式下的log中的异常栈。一般来说，通过异常栈信息就可以定位到你的代码中哪一行发生了内存溢出。然后在那行代码附近找找，一般也会有shuffle类算子，此时很可能就是这个算子导致了数据倾斜。

要注意的是，不能单纯靠偶然的内存溢出就判定发生了数据倾斜。因为自己编写的代码的bug，以及偶然出现的数据异常，或者资源不足，也可能会导致内存溢出。

因此还是要按照上面所讲的方法，通过Spark Web UI查看报错的那个stage的各个task的运行时间以及分配的数据量，才能确定是否是由于数据倾斜才导致了这次内存溢出。

六查看导致数据倾斜的key分布情况

先对pairs采样10%的样本数据，然后使用countByKey算子统计出每个key出现的次数，最后在客户端遍历和打印样本数据中各个key的出现次数。

val sampleDF: Dataset[Row] = outputStream.sample(false, 0.1)
val groupbyDF: DataFrame = sampleDF.groupBy("key").count()
groupbyDF.show()

七数据倾斜的解决方案

提高shuffle操作的并行度

方案适用场景：

如果我们必须要对数据倾斜迎难而上，那么建议优先使用这种方案，因为这是处理数据倾斜最简单的一种方案。

方案实现思路：

你可以按照以下方式设置shuffle并行度：

// 设置shuffle并行度为200
spark.conf.set("spark.sql.shuffle.partitions", "200")

// 在创建DataFrame时指定shuffle并行度
val yourDataFrame = // 你的DataFrame的创建操作
val increasedShuffleDF = yourDataFrame.repartition(200)

在第一种方式中，通过spark.conf.set方法设置全局的shuffle并行度。在第二种方式中，使用repartition方法在创建DataFrame时指定shuffle并行度。根据你的数据规模和集群配置来调整并行度的具体值。增加并行度可能有助于提高性能，但也需要注意资源消耗。