可以从一下三个方面入手:
一、业务逻辑方面
1、map端的key值进行hash的时候,可能得到的hash值相同,然而相同的hash值会分配给同一个reduce函数去处理,因此就会出现某一个reduce的工作量非常大,进而导致数据倾斜。因此解决数据倾斜可以优化定义你的hash函数。
2、还有就是,例如你对一部分数据进行了处理,这样将导致这部分数据与其他未处理数据不同,所以这些数据有可能出现在map端聚集,因此,可以在map任务在运行前,将处理过的数据与未处理的数据分开进行map任务。
二、程序方面
调整设计程序的思路。
三、调参方面
Hadoop自带了很多的参数和机制来调节数据倾斜,合理利用它们可以解决部分数据倾斜的问题。
四、数据处理方面
1、进行数据预处理。
2、有损方法:将异常数据过滤掉,比如说IP为0的数据删除。
3、无损的方法:对分布不均衡的数据单独计算,先对key做一次hash,将数据打散再并行运算。