数据倾斜
Task之间数据分配的非常不均匀即为数据倾斜
数据倾斜的影响
- 个别任务耗时远高于其它任务,轻则造成系统资源的浪费,使整体应用耗时过大,不能充分发挥分布式系统并行计算的优势
- 个别Task发生OOM,导致整体作业运行失败
数据倾斜原因
数据异常
Map Task数据倾斜,主要是数据源导致的数据倾斜
- 数据文件压缩格式(压缩格式不可切分)
- Kafka数据分区不均匀
Reduce task数据倾斜(重灾区,最常见):
- Shuffle (外因)。Shuffle操作涉及到大量的磁盘、网络IO,对作业性能影响极大
- Key分布不均 (内因)
数据倾斜如何排查?
- 凭借经验或Web UI,找到对应的Stage;再找到对应的 Shuffle 算子
数据倾斜处理
-
做好数据预处理
-
过滤key中的空值
-
消除数据源带来的数据倾斜(文件采用可切分的压缩方式
-
数据倾斜产生的主要原因:Shuffle + key分布不均
数据倾斜有哪些现象
Executor lost、OOM、Shuffle过程出错、程序执行慢
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大多数 Task 运行正常,个别Task运行缓慢或发生OOM
处理数据倾斜的基本思路:
消除shuffle
减少shuffle过程中传输的数据
选择新的可用于聚合或join的Key(结合业务)
重新定义分区数
加盐强行打散Key
1、消除shuffle
-
Map端的join是典型的解决方案
-
可以完全消除Shuffle,进而解决数据倾斜
-
有很强的适用场景(大表和小表关联),典型的大表与小表的join,其他场景不合适
2、减少shuffle过程中传输的数据
-
使用高性能算子,避免使用groupByKey,用reduceByKey或aggregateByKey替代
-
没有从根本上解决数据分配不均的问题,收效有限,使用场景有限
3、选择新的可用于聚合或join的Key(结合业务)
-
从业务出发,使用新的key去做聚合或join。如当前key是【省 城市 日期】,在业务允许的情况下选择新的key【省 城市 区 日期】,有可能 解决或改善 数据倾斜问题
-
存在的问题:这样的key不好找;或者找到了新的key也不能解决问题
4、重新定义分区数,改变reduce的并行度--key.hashCode % reduce个数 = 分区号
-
变更 reduce 的并行度。理论上分区数从 N 变为 N-1 有可能解决或改善数据倾斜
-
一般情况下这个方法不管用,数据倾斜可能是由很多key造成的,但是建议试试因为这个方法非常简单,成本极低;可能只是解决了这一次的数据倾斜问题,非长远之计
-
缺点:适用性不广;优点:简单
5.加盐强行打散Key
- shuffle + key不能分散
5.1、两阶段聚合
-
加盐打散key。给每个key都加一个随机数,如10以内的随机数。此时key就被打散了
-
局部聚合。对打上随机数的数据,执行一次聚合操作,得到结果
-
全局聚合。将各个key的前缀去掉,再进行一次聚合操作,得到最终结果
-
两阶段聚合优点:
-
对于聚合类的shuffle操作导致的数据倾斜,效果不错。通常都可以解决掉数据倾斜,至少是大幅度缓解数据倾斜,将Spark作业的性能提升数倍以上
-
仅适用于聚合类的shuffle操作,适用范围相对较窄。如果是join类的shuffle操作,还得用其他的解决方案
5.2、采样倾斜key并拆分join操作
-
业务场景:两个RDD/两张表进行 join 的时候,数据量都比较大
-
使用场景:计算两个RDD/两张表中的key分布情况。如果出现数据倾斜,是其中一个RDD/Hive表中的少数几个key的数据量过大,而另一个RDD/Hive表中的所有key都分布比较均匀,那么采用这个解决方案比较合适
-
处理步骤:
-
1、对包含少数几个数据量过大的key的那个RDD,通过sample算子采样出一份样本来,然后统计一下每个key的数量,计算出数据量最大的是哪几个key
-
2、将这几个key对应的数据从原来的RDD中拆分出来,形成一个单独的RDD,并给每个key都打上n以内的随机数作为前缀,而不会导致倾斜的大部分key形成另外一个RDD
-
3、将需要join的另一个RDD,也过滤出来那几个倾斜key对应的数据并形成一个单独的RDD,将每条数据膨胀成n条数据,这n条数据都按顺序附加一个0~n的前缀,不会导致倾斜的大部分key也形成另外一个RDD
-
4、再将附加了随机前缀的独立RDD与另一个膨胀n倍的独立RDD进行join,此时就可以将原先相同的key打散成n份,分散到多个task中去进行join了
-
5、另外两个普通的RDD就照常join即可;
-
6、最后将两次join的结果使用union算子合并起来即可,就是最终的join结果
5.3、使用随机前缀和扩容再进行join
-
业务场景:如果在进行join操作时,RDD中有大量的key导致数据倾斜,进行分拆key没什么意义,此时就只能使用最后一种方案来解决问题了
-
处理步骤:
-
1、选一个RDD,将每条数据都打上一个n以内的随机前缀(打散)
-
2、对另外一个RDD进行扩容,将每条数据都扩容成n条数据,扩容出来的每条数据都依次打上一个0~n的前缀
-
3、将两个处理后的RDD进行join即可
-
优缺点:
- 如果两个RDD都很大,那么将RDD进行N倍的扩容显然行不通
- 使用扩容的方式通常能缓解数据倾斜,不能彻底解决数据倾斜问题
-