数据倾斜方案之聚合源数据

性能调优，最有效，最直接，最简单的方式，就是加资源，加并行度，注意RDD架构（复用同一个RDD,加上cache缓存）；shuffle,jvm等，是次要的。

数据倾斜，解决方案：

第一个方案：聚合源数据

现在，做一些聚合操作，groupByKey,reduceByKey这种操作，说白了，就是拿到每个key对应的values;reduceByKey，说白了，就是对每个key对应的values执行一定的计算。

现在这些操作，比如groupByKey和reduceByKey,包括join,都是在spark作业中执行的

spark作业的数据来源，通常是哪里？90%情况下，数据来源都是hive表（hdfs,大数据分布式存储系统），hdfs上存储的大数据，进行各种各样的计算，hive表中的数据，通常是怎么出来的呢？有了spark以后，hive比较适合做什么事情，hive就是适合做离线的，晚上凌晨跑的，ETL(数据的采集，清洗，导入) ，从而去形成完整的hive中的数据仓库，说白了，数据仓库中就是一顿表，

spark作业的源表，hive表，其实通常情况下来说，也是通过某些hive etl生成的，hive etl可能是晚上凌晨在那跑，今天跑昨天的数据就可以

 

现在出现数据倾斜，某个key对应的88万数据，某些key对应几百条，某些key对应几十条，现在，直接在生成hive表的etl中，对数据进行聚合。比如按key来分组，将key对应的所有的values,全部用一种特殊的格式，拼接到一个字符串里面去，比如“key = seesion, value:action_seq = 1 | user_id=1|search_keyword="火锅"”。。。

对key进行group,在spark中，拿到key=sessionid,values<Iterable>,hive etl中，直接对key进行了聚合，那么也就意味着，每个key只是对应了一条数据，在spark中就不需要再去执行groupByKey+map这种操作了，直接对每个key对应的values字符串，map操作，进行你需要的操作即可

spark，可能就对这个操作，就不需要执行shuffle操作了，那么也就不可能导致数据倾斜了

第二个方案：过滤导致倾斜的key

你可能没有办法对每个key，就聚合出来一条数据，那么也可以做一个妥协，对每个key对应的数据，10万条，有好几个粒度，比如10万条包含了几个城市，几天，几个地区的数据，现在放粗粒度；直接就按照城市的粒度，做一下聚合，几个城市，几天，几个地区粒度的数据，都给聚合起来，比如说

city_id date area_id

select 。。。。 from . group by city_id将粒度放粗

尽量去聚合，减少每个key对应的数量，也许聚合到比较粗的粒度后，原先有10万数据量的key,现在只有1万数据量。减轻数据倾斜的现象和问题