MapReduce数据倾斜的解决经验

        数据倾斜的意思就是某些key对应的信息条数过多，导致对应reducer的内存溢出。

 

        解决这个问题，要区分一下问题引起的原因。无非是：

1. 由于对数据构成认识不足，导致启动配置资源的不合理
2. 刷量数据的不合理涌入

        对于第一种情况，我们可以通过调整reduce的个数，以及reducer的jvm大小来解决。

 

       对于第二种情况，我建议应该先分析数据的倾斜原因，考虑这部分数据生成的原因，是程序错误还是恶意的刷量数据。当然这个工作并不在解决数据倾斜的内容中。

        解决的方案比较简单，以时间换空间。通过修改patition的方式更改key的分配方式，让所有的key即能分散，又能达到一定程度的合并，达到数据规模下降的目的。key的生成方式可以采用“加延”的方法，比如，让每个key后面都带上patition的序号，或者带上时间段的某个位。然后通过计算这部分中间结果的方式来获取最后的结果。

        简单来说，处理方法的考虑顺序可以这样：

        1. 增加reducer个数，以及提高reduce的内存分配

        2. 使用combiner

        3. 使用自定义的partitioner