本博文主要包含以下内容:
一:均衡数据是我们的目标,或者说我们要解决数据倾斜的发力点。
一般说shuffle是产生数据倾斜的主要原因,为什么shuffle产生数据倾斜主要是因为网络通信,如果计算之前通过ETL(ETL(Extract-Transform-Load的缩写,即数据抽取、转换、装载的过程)作为BI/DW(Business Intelligence)的核心和灵魂,能够按照统一的规则集成并提高数据的价值,是负责完成数据从数据源向目标数据仓库转化的过程,是实施数据仓库的重要步骤。如果说数据仓库的模型设计是一座大厦的设计蓝图,数据是砖瓦的话,那么ETL就是建设大厦的过程。)等工具作用是很强有力的,
1、去掉shuffle,是解决数据倾斜最好的方式,我们能不进行shuffle就不进行shuffle,广播可以减少shuffle。
2、采用好的数据结构和序列化方式,可以非常好的减少数据量以及提高性能。
3、Spark基于RDD构建了整个调度体系和生态体系,工作核心之一就是复用,而且是基于内存的复用,对RDD的复用,最小化每个job的工作,这样能极大化的减少数据倾斜。
二:数据倾斜解决之Map 端Reduce及问题思考
1、我们尽可能的将Reduce端放在Map端,我们就避免了shuffle,避免了shuffle我们就在很大情况下化解了数据倾斜的问题。
2、什么叫MappedReduce,整个spark是Rdd的链式操作,我们的D