关于Spark中数据倾斜的几种好的解决方案

最新推荐文章于 2024-09-29 08:52:43 发布

LBJ_小松鼠

最新推荐文章于 2024-09-29 08:52:43 发布

阅读量325

点赞数 1

分类专栏： Spark

原文链接：https://zhuanlan.zhihu.com/p/86544656

版权

Spark 专栏收录该内容

16 篇文章 2 订阅

订阅专栏

前言

本文是介绍的是开发spark极其核心的地方，可以说懂得解决spark数据倾斜是区分一个spark工程师是否足够专业的标准，在面试中以及实际开发中，几乎天天面临的都是这个问题。

原理以及现象

先来解释一下，出现什么现象的时候我们认定他为数据倾斜，以及他数据倾斜发生的原理是什么？

比如一个spark任务中，绝多数task任务运行速度很快，但是就是有那么几个task任务运行极其缓慢，慢慢的可能就接着报内存溢出的问题了，那么这个时候我们就可以认定他是数据倾斜了。

接下来说一下发生数据倾斜的底层理论，其实可以非常肯定的说，数据倾斜就是发生在shuffle类的算子中，在进行shuffle的时候，必须将各个节点的相同的key拉到某个节点上的一个task来进行处理，比如按照key进行聚合和join操作等，这个时候其中某一个key数量量特别大，于是就发生了数据倾斜了。

定位数据倾斜的代码

上面我们知道了数据倾斜的底层原理，那么就好定位代码了，所以我就可以改写这段代码，让spark任务来正常运行了。

我们知道了导致数据倾斜的问题就是shuffle算子，所以我们先去找到代码中的shuffle的算子，比如distinct、groupBYkey、reduceBykey、aggergateBykey、join、cogroup、repartition等，那么问题一定就出现在这里。

找到shuffle类的算子之后，我们知道一个application分为job，那么一个job又划分为多个stage，stage的划分就是根据shuffle类的算子，也可以说是宽依赖来划分的，所以这个时候我们在spark UI界面上点击查看stage，如下图：

可以看到94这一行和91这一行，执行时间明显比其他的执行时间要长太多了，我们就可以肯定一定是这里发生了数据倾斜，然后我们就找到了发生数据倾斜的stage了，然后根据stage划分原理，我们就可以推算出来发生倾斜的那个stage对应的代码中的哪一部分了。

这个时候我们找到了数据倾斜发生的地方了，但是我们还需要知道到底是哪个key数据量特别大导致的数据倾斜，于是接下来来聊一聊这个问题。

找到这个key的算法，我们可以使用采样的方式，对，就是当初虐了我们千百遍的概率论与数理统计的课上讲的采样算法。

代码如下：

val sampledPairs = pairs.sample(false, 0.1)
val sampledWordCounts = sampledPairs.countByKey()
sampledWordCounts.foreach(println(_))

现在我来简单说一下他的原理，他就是从所有key中，把其中每一个key随机取出来一部分，然后进行一个百分比的推算，学过采样算法的都知道，这是用局部取推算整体，虽然有点不准确，但是在整体概率上来说，我们只需要大概之久可以定位那个最多的key了。

解决数据倾斜的方案

上面我们聊了数据倾斜发生的原理以及如何定位是哪个key发生了数据倾斜，这个时候我们就开始着手解决这个问题了，我把分为七中解决方案，每个方案都有对应的情况，读者可以针对自己的情况来灵活运用。

解决方案一：使用hive ETL预处理数据

先来说一说发生的一个场景：你的业务中有一个需要实时的页面，但是这个页面的数据是基于昨天的数据来进行统计，我们深入到代码中来说就是两个rdd需要先join操作，然后才能进行统计，这个时候，因为其中有rdd的某个key数据量特别大，于是在前端页面需要展示的时候统计一次需要大量的时候，如果你的产品经理就跟你说了，能不能把速度提升一下，我都到外面抽了好几颗烟了，你还没跑出来，这是要让我抽死啊，耗费烟钱啊，你能怎么办？你难道还上去说这是数据倾斜了，我没办法啊，你只能等等吗？这样怕是你脑子瓦特了，于是我们就来注意其中的一个描述，他需要的两个rdd是昨日的数据，所以解决方案就是在晚上12点的时候，我们让spark去先join操作，然后等第二天的时候，你的产品经理去统计的时候，这个时候直接用join好的数据来处理，就不会发生数据倾斜了，因为根本就已经避免了数据倾斜，所以时间非常快。

解决方案二：过滤少数导致清晰的key

上面我们聊了一下用提前先join的办法来解决数据倾斜，但是还是不够完美，因为其实依旧是发生了数据倾斜，只是我们提前就把他运行好了，所以在实时页面的展示的时候可以避免，但是从根本上来说，我们根本没有解决数据清晰的问题，数据倾斜问题依旧存贮。

这个时候我们就来聊下更深一步的解决方案。

这个方案也是有业务场景的，我们继上面那个实时统计的例子来说，假如我们发现两个rdd进行join的中key是毫无用处的，也就是跟我们的业务没有关系，但是我们之前没有注意到，这个时候我们经过深入的分析之后发现确实没啥用，而且还数量巨大，这个时候就简单了，我们就直接用filter算子来过滤掉这些key，然后再入join，这个时候我们就发现了，一下子把数据清晰的key给过滤掉了，我们就不用考虑数据倾斜的问题了。

可以说这个情况也是时常发生的，比如在系统出现异常的情况下，会有大批量固定格式的日志出来，而且都是报错的，对与我们的实际业务其实根本没啥用，我们就可以过滤掉了，再比如在一个业务场景中，有些key对于我们的业务并没有用，我们留着他干啥呢，直接过滤掉，数据越少，计算越快。

但是这种情况并不是所有的情况都有，我们还需要继续深入探究解决方案。

解决方案三：提高shuffle操作的并行度

可以说解决办法要一步一步的来说，我们上面的两种方案都有他极其特殊的地方，并不是特别普遍的，于是，我们来找一个普遍的解决方案，那就是提高shuffle 的并行度。

他的原理很简单，我们知道在rduceBykey中有一个shuffle read task的值默认为200，也就是说用两百个task来处理任务，对于我们一个很大的集群来说，每个task的任务中需要处理的key也是比较多的，这个时候我们把这个数量给提高以爱，比如我么设置reduceBYkey（1000），这个时候task的数量就多了，然后分配到每个task中的key就少了，于是说并行度就提高了。但是总体来说，这种解决办法对于某一个数量特别大的key来说效果甚为，只能说key多的时候，我们可以有一定的程度上环境数据倾斜的问题，所以这种方法也不是我们要找到的最好的办法，他也是有一定的局限性。

任重而道远，我们还需要继续寻找。

解决方案四：两阶段聚合（局部聚合+全局聚合）

看过了上面哪些方法，局限性都太大，我们还需要寻找。那么解决方案四就比较专业了。

用这个方法就可以解决大部分场景的数据倾斜。

因为这个方法比较重要，所以我把写的详细一些。

这个时候我们有一个rdd，他的其中某一个key数量比较大，我们要进行shuffle的时候，速度比较慢。

比如这个key就是hello，他的条数已经有1万条。

单一的进行shuffle肯定是耗时非常长。所以我们给他打上10以内的随机前缀，例如下面这种形式。

0_hello,1
1_hello,1
2_hello,1
3_hello,1
0_hello,1
2_hello,1
3_hello,1
.....

然后这个时候进行局部的预聚合，比如reduceBykey，上面我是给了三以内的预聚合。于是经过局部的语句和，我们得到了下面这种

0_hello,3000
1_hello,2000
2_hello,2500
3_hello,2500

然后在去掉之前加的随机前缀，在进行聚合，reduceBykey

hello,10000

于是通过这种把key进行拆分的方式，我们把key分配给了一些task去执行任务，经过实验数据表明，这种方法可以提高数倍效率，不知道您看明白了没？

这里我给出具体的一些代码，可以参考：

object WordCountAggTest {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("WordCount")
    val sc = new SparkContext(conf)
    val array = Array("you you","you you","you you",
      "you you",
      "you you",
      "you you",
      "you you",
      "jump jump")
    val rdd = sc.parallelize(array,8)
    rdd.flatMap( line => line.split(" "))
      .map(word =>{
        val prefix = (new util.Random).nextInt(3)
        (prefix+"_"+word,1)
      }).reduceByKey(_+_)
       .map( wc =>{
         val newWord=wc._1.split("_")(1)
         val count=wc._2
         (newWord,count)
       }).reduceByKey(_+_)
      .foreach( wc =>{
        println("单词："+wc._1 + " 次数："+wc._2)
      })

  }
}

当然了，这种方法也是有局限性的，他适用于聚合类的shuffle操作，如果对于join操作，还是不行的，所以我们接着探究更深入的方法。

解决方案五：将reduce join转整map join

这种方法是有假定的前提的条件的，比如有两个rdd进行join操作，其中一个rdd的数据量不是很大，比如低于1个G的情况。

具体操作是就是选择两个rdd中那个比较数据量小的，然后我们把它拉到driver端，再然后通过广播变量的方式给他广播出去，这个时候再进行join 的话，因为数据都是在同一Executor中，所以shuffle 中不会有数据的传输，也就避免了数据倾斜，所以这种方式很好。

给出参考代码：

object MapJoinTest {
 
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("WordCount")
    val sc = new SparkContext(conf)
    val lista=Array(
      Tuple2("001","令狐冲"),
      Tuple2("002","任盈盈")
    )
     //数据量小一点
    val listb=Array(
      Tuple2("001","一班"),
      Tuple2("002","二班")
    )
    val listaRDD = sc.parallelize(lista)
    val listbRDD = sc.parallelize(listb)
    //val result: RDD[(String, (String, String))] = listaRDD.join(listbRDD)
     //设置广播变量
    val listbBoradcast = sc.broadcast(listbRDD.collect())
    listaRDD.map(  tuple =>{
      val key = tuple._1
      val name = tuple._2
      val map = listbBoradcast.value.toMap
      val className = map.get(key)
      (key,(name,className))
    }).foreach( tuple =>{
      println("班级号"+tuple._1 + " 姓名："+tuple._2._1 + " 班级名："+tuple._2._2.get)
    })
  }
}

当然了，这种方法也是有缺陷的，比如两个rdd都非常大，比如超过了10个G，这个时候我们就不能用这种方法了，因为数据量太大了，广播变量还是需要太大的消耗，我们还需要继续探索更深层次的解决办法。于是就有下面这种不可思议的解决办法。

解决方案六：采样倾斜key并分拆join操作

注意：再讲解本方法之前，我还需要说明一点，如果您没看懂就多看一次，因为这种法方法太不可思议了，真的要明白还是需要一点想想力的，我尽量把它表达的明白些。

在方法五中，我们通过广播的方式可以解决低于5个G以下的两个rdd的操作，但是这个方法是解决超过10个G以上的数据，比如50个G的数据都可以。

实现思路：

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，然后统计以下每个key的数量，计算出来数据量最大的是哪几个key。

2.然后将这几个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.接着将需要join的另外一个rdd，也过滤出来那几个倾斜的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与另外一个膨胀n倍的独立rdd进行join，此时就可以将原先相同的key打算成n份，分散到多个task中去进行join了。

5.而另外两个普通的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join结果。

不知道您看懂了没有？确实比较复杂，但是下面这个更加复杂，如果参透了这一招，下面的一招就很简单了。