Spark处理数据倾斜问题

写在前面：有博主的文章写的很好，很详细，推荐！

参考：Spark如何处理数据倾斜（甚好，甚详细，很有逻辑，强推！）

            spark数据倾斜解决方案汇总

---

1、什么是数据倾斜

在执行shuffle操作的时候，数据是按照key对每行数据进行拉取、聚合等操作的。同一个key的数据Row，一定是分配到一个task中进行处理的。

当大量相同key的数据被partition分配到同一个分区里时，就会发生数据倾斜问题。

例子: 有数据行共是90万，可能某个key对应了88万数据，这88万个数据行就会被分配到同一个task上去面去执行。

另外的一些task，会被分配去处理剩下的2万行数据。那么这些task处理的数据比较少，可能1分钟就计算完毕；

但是那个处理88万行数据的task可能就需要30分钟、1小时，甚至更久才能处理完。

2、为什么会发生数据倾斜

 数据倾斜容易产生在两个过程，本身数据源的倾斜，这个主要由于本身文件的分布不均，主要是不能切分的文件isSplitable=false ，如.gz文件。

另外的在shuffle阶段，key的分布不均，导致大量的数据集中到单个或者某几个task上导致数据整个stage，执行慢，影响整个job作业，总结主要有以下两个过程：

1、数据源数据文件不均匀
2、计算过程中key的分布不均
        （1）单个rdd中进行groupby 的时候key分布不均
        （2）多个rdd进行join过程中key的不均匀

3、数据倾斜问题在spark中的常见表现

某个task任务 长时间卡在某一个百分比

1、大部分的task，都执行的特别特别快，剩下几个task，执行的特别特别慢。

2、运行的时候，其他task执行完了，但是有的task，会突然间报OOM，JVM Out Of Memory，内存溢出

4、数据倾斜问题快速定位

1.根据Spark UI查看metrics，input 以及shuffle read 两个metrics判断task的min,跟max是否差异较大，如果差异非常大，并且影响运行，则需要优化task input 数据源倾斜，input size统计是从外部数据源读入的大小

2.task shuffle 数据倾斜，一般主要是shuffle read拉取数据的时候，数据partition分布不均，导致fetch拉取过程中数据倾斜，可以通过Shuffle Read Size查看min，和max 值，如果差异非常大，并且影响运行，则需要优化

3.另外就是我们在运行中个别task执行特别慢的时候，我们可以看一下该task的input或者shuffle reader的Summary Metrics里面min和max值，一般情况下处理的数据越多，task的运行时间越长，理想情况下所有的task数据均匀分布，运行时长均等，可以定位到task所属的stage，通过stage 描述，可以定位到所属的代码行，进而优化代码

5、怎么处理数据倾斜问题

1、数据源数据文件不均匀

 适用场景:对于数据源单个spark input read数据量过大，或者单个task 相对于其他task spark input read较大的情况，读取数据源明显不均匀

 解决方式:尽量使用可切割的文本存储，生成尽量多的task进行并行计算

 优点:从数据源避免倾斜，并且从源头增大并行度，避免倾斜
 缺点:需要改造数据源，支持可切割

2、Shuffle过程中数据分布不均

原理:
       Shuffle阶段在分布式并行计算引擎中是常见一个过程，在spark中当一个RDD的数据需要被多个子RDD所使用的时候，我们需要进行shuffle将数据打散，把数据均匀的分配给子RDD进行并行计算，Shuffle过程中spark默认使用HashPartitioner对数据进行分区，在这个过程中可能由于我们的数据分布不均，我们在进行hash取摸的时候，并行度设置不足，导致多数据分配到一个task上，导致倾斜，或者就是相同key的数据hash取摸之后就是比较大，分配同一个task导致数据倾斜等，对于这行情况我们分以下场景进行解决

（1） 适用场景:大量的数据分配到相同的task中，导致倾斜
  解决方案:通过repartition强制进行shuffle，增大并行度，将数据分布的更加均匀； 设置spark.default.parallelism和自定义分区，增大并行度；如果是sql的话，调整spark.sql.shuffle.partitions增大并行数量,从而将倾斜数据分配到更多的task减少倾斜；

 优点：对于部分key倾斜，可以通过增大并行数，或者自定义分区，将数据分布的更加均匀，减少数据倾斜

缺点:  对于单个key倾斜，只能根据业务自定分区，减少数据倾斜

（2）适用场景:两个数据集差别较大，并且出现task数据倾斜，较小的数据集可以放到内存中map中进行join

解决方案:通过增大spark.sql.autoBroadcastJoinThreshold 阈值默认10M

优点：减少大的数据集shuffle,从而导致数据倾斜

缺点:  join小表的数据需要足够小，能放到executor storage memory中

6、总结

 数据倾斜无法避免，也有没有一劳永逸的解决方式，处理数据倾斜是一个长期的过程需要我们慢慢积累经验，基本思想就是

         1.首先从源头选择可以split的数据源，从源头避免倾斜

         2.shufle过程中，增加并行度，减少shuffle 在map-side进行数据合并，避免reduce fetch数据倾斜

         3.sample采样将倾斜的数据,特殊处理,这个方法可以适用于所有的数据倾斜问题，

        4.另外，就是我们尽量使用spark-sql，spark-sql里面优化器提供很多基本CRO和CBO的优化策略，不仅帮我们从源头帮我们去除无关的数据减少计算数据量，其次在计算过程中会根据我们的table 的数据量，自动帮我们计算合适task partition数量，和选择合适join策略，从而提升计算性能，也避免shufle 数据倾斜