有这样一个RDD1
(A,1),(A,2),(A,3),(B,1),(C,1)
这样一个RDD2
(A,100),(B,90),(C,60)
将这两个RDDjoin的时候:
(A,(1,100)),(A,(2,100)),(A,(3,100)),(B,(1,90)),(C,(1,60))
发生数据倾斜,怎么解决这个场景下的数据倾斜:
这个解决方案一定要牢牢记着,只要面试官不low一定会问你
可以先把RDD1进行拆分:
将导致数据倾斜的key分到一个RDD,数据比较均匀的key分到另外一个RDD
把RDD1拆成两个RDD:
RDD1_1:(A,1),(A,2),(A,3)
RDD1_2:(B,1),(C,1)
同时还要把RDD2进行拆分:
RDD2_1:(A,100)
RDD2_2:(B,90),(C,60)
第一个疑虑:怎么知道哪个key的数据量比较大会导致数据倾斜
可以采用抽样,抽样完之后做一个wordcount,抽样也有对应的算子sample
看一下哪个key对应的数据比较多,就把这些key所对应的数据拆到一个RDD中去
第二个疑虑:怎么把一个RDD拆成两个RDD?
代码怎么写,进行两次filter,就可以得到两个RDD
拆完之后接下来怎么做?
分完之后要对这两个RDD进行处理,key加上随机前缀,随机!!前缀
比如我加上的是ramdom(2)要么是0要么是1
这时候数据就变了:
RDD1_1:(A_0,1),(A,2),(A,3)
RDD1_2:(B,1),(C,1)