Spark两个rdd join发生数据倾斜的典型情况

有两个RDD，分别是RDDA[Ka, Va] 和 RDDB[Kb, Vb]，数据量都比较大，在做join操作的时候，可以看出，shuffle read 有严重的数据倾斜现象，导致拖慢了整个 job 的速度：

---

其实从上述问题中，可以看出来，index=0 的 task 必然有问题，如果不熟悉自己的数据分布的话，很容易误以为自己的数据分布是均匀的，所以建议打印出来前十个 key 出来看看。

否则就可能出现必须加大 executor 的内存量，不然某个 task 所在的 executor 有可能因为数据太多，内存撑爆导致 OOM，加大了内存，又导致内存浪费，所以正确的做法，是先了解自己数据的基本面，再去写业务代码的逻辑。