SparkRDD优化（四）之数据倾斜

一、数据倾斜

指分区中的数据分配不均匀，数据集中在少数分区中（不怕数据大，就怕数据倾斜）

数据倾斜发生时的现象

• 1、绝大多数task执行得都非常快，但个别task执行极慢。比如，总共有1000个task，997个task都在1分钟之内执行完了，但是剩余两三个task却要一两个小时。这种情况很常见。
• 2、原本能够正常执行的Spark作业，某天突然报出OOM（内存溢出）异常，观察异常栈，是我们写的业务代码造成的。这种情况比较少见。

数据倾斜发生的原理

在进行shuffle的时候，必须将各节点上相同的key拉取到某个节点上的一个task来进行处理，比如按照key进行聚合或join等操作。此时如果某个key对应的数据量特别大的话，就会发生数据倾斜。例如：大部分key对应10条数据，但是个别key却对应100玩体哦啊数据，那么大部分task可能就只分配到10条数据，然后1秒钟就运行完了；但是个别task可能分配到100万条数据，要运行一两个小时。因此，整个Spark作业的运行进度是由运行时间最长的那个task决定的。

因此出现数据倾斜的时候，Spark作业看起来回运行得非常缓慢，甚至可能因此某个task处理的数据量过大导致内存溢出

如何定位导致数据倾斜的代码

数据倾斜只会发生在shuffle过程中。
常用的回引起数据倾斜的算子：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。
出现数据倾斜时，可能就是你的代码中使用了这些算子中的某一个所导致的。

二、数据倾斜的解决方案

方案一：使用Hive ETL预处理数据（数据清洗）

适用场景：
1）hive中文件大小不均匀
2）hive中key分布不均匀

实现原理： 这种方案从根源上解决了数据倾斜，因为彻底避免了在Spark中执行shuffle类算子，那么肯定就不会有数据倾斜的问题了。但是这里也要提醒一下大家，这种方式属于治标不治本。因为毕竟数据本身就存在分布不均匀的问题，所以Hive ETL中进行group by或者join等shuffle操作时，还是会出现数据倾斜，导致Hive ETL的速度很慢。我们只是把数据倾斜的发生提前到了Hive ETL中，避免Spark程序发生数据倾斜而已。

方案优点： 实现起来简单便捷，效果还非常好，完全规避掉了数据倾斜，Spark作业的性能会大幅度提升。

方案缺点： 治标不治本，Hive ETL中还是会发生数据倾斜。

方案二：过滤少数会导致倾斜的key

使用场景：
1）倾斜的key，比如“-” 表示空数据，可以事前filter掉
2）倾斜的key，比如“-” 表示有效数据，单独处理

实现原理： 将导致数据倾斜的key给过滤掉之后，这些key就不会参与计算了，自然不可能产生数据倾斜。

方案优点： 实现简单，而且效果也很好，可以完全规避掉数据倾斜。

方案缺点： 适用场景不多，大多数情况下，导致倾斜的key还是很多的，并不是只有少数几个。

方案三：提高shuffle操作的并行度

实现原理： 增加shuffle read task的数量，可以让原本分配给一个task的多个key分配给多个task，从而让每个task处理比原来更少的数据。举例来说，如果原本有5个key，每个key对应10条数据，这5个key都是分配给一个task的，那么这个task就要处理50条数据。而增加了shuffle read task以后，每个task就分配到一个key，即每个task就处理10条数据，那么自然每个task的执行时间都会变短了。

方案优点： 实现起来比较简单，可以有效缓解和减轻数据倾斜的影响。

方案缺点： 只是缓解了数据倾斜而已，没有彻底根除问题，根据实践经验来看，其效果有限。

方案四：两阶段聚合（局部聚合+全局聚合）

适用场景：
对RDD执行reduceByKey等聚合类shuffle算子或者在Spark SQL中使用group by语句进行分组聚合时，比较适用这种方案。

实现原理： 将原本相同的key通过附加随机前缀的方式，变成多个不同的key，就可以让原本被一个task处理的数据分散到多个task上去做局部聚合，进而解决单个task处理数据量过多的问题。接着去除掉随机前缀，再次进行全局聚合，就可以得到最终的结果。

实现方法： 在原先相同的key之前添加随机前缀，划分到不同的task中之后再去掉前缀，进行局部聚合

方案优点： 对于聚合类的shuffle操作导致的数据倾斜，效果是非常不错的。通常都可以解决掉数据倾斜，或者至少是大幅度缓解数据倾斜，将Spark作业的性能提升数倍以上。

方案缺点： 仅仅适用于聚合类的shuffle操作，适用范围相对较窄。如果是join类的shuffle操作，还得用其他的解决方案。

方案五：将reduce join转为map join

使用场景： 在出现小表join大表的时候，可以将小表进行广播从而避免shuffle

实现原理： 普通的join是会走shuffle过程的，而一旦shuffle，就相当于会将相同key的数据拉取到一个shuffle read task中再进行join，此时就是reduce join。但是如果一个RDD是比较小的，则可以采用广播小RDD全量数据+map算子来实现与join同样的效果，也就是map join，此时就不会发生shuffle操作，也就不会发生数据倾斜。

方案优点： 对join操作导致的数据倾斜，效果非常好，因为根本就不会发生shuffle，也就根本不会发生数据倾斜。

方案缺点： 适用场景较少，因为这个方案只适用于一个大表和一个小表的情况。毕竟我们需要将小表进行广播，此时会比较消耗内存资源，driver和每个Executor内存中都会驻留一份小RDD的全量数据。如果我们广播出去的RDD数据比较大，比如10G以上，那么就可能发生内存溢出了。因此并不适合两个都是大表的情况。

方案六：采样倾斜key并分拆join操作

使用场景： join类的操作中，由于相同的key过大占内存（小表不小），不能使用第5方案，但是倾斜的key种数不多的时候

实现方式：

• 第一步：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，然后统计一下每个key的数量，计算出来数据量最大的是哪几个key。
• 第二步：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。
• 第三步：接着将需要join的另一个RDD也过滤出来那几个倾斜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。
• 第四步：再将附加了随机前缀的独立RDD与另一个膨胀n倍的独立RDD进行 join，此时就可以将原先相同的key打散成n份，分散到多个task中去进行 join了。
• 第五步：而另外两个普通的RDD就照常join即可。最后将两次join的结果使用union算子合并起来即可，就是最终的join结果。

实现原理： 对于join导致的数据倾斜，如果只是某几个key导致了倾斜，可以将少数几个key分拆成独立RDD，并附加随机前缀打散成n份去进行join，此时这几个key对应的数据就不会集中在少数几个task上，而是分散到多个task进行join了。

方案优点： 对于join导致的数据倾斜，如果只是某几个key导致了倾斜，采用该方式可以用最有效的方式打散key进行join。而且只需要针对少数倾斜key对应的数据进行扩容n倍，不需要对全量数据进行扩容。避免了占用过多内存。

方案缺点： 如果导致倾斜的key特别多的话，比如成千上万个key都导致数据倾斜，那么这种方式也不适合。

方案七：使用随机前缀和扩容RDD进行join

使用场景： 如果在进行join操作时，RDD中有大量的key导致数据倾斜。

实现思路：

• 第一步：该方案的实现思路基本和“解决方案六”类似，首先查看RDD/Hive表中的数据分布情况，找到那个造成数据倾斜的RDD/Hive表，比如有多个key都对应了超过1万条数据。
• 第二步：然后将该RDD的每条数据都打上一个n以内的随机前缀。
• 第三步：同时对另外一个正常的RDD进行扩容，将每条数据都扩容成n条数据，扩容出来的每条数据都依次打上一个0~n的前缀。
• 第四步：最后将两个处理后的RDD进行join即可。

实现原理： 将原先一样的key通过附加随机前缀变成不一样的key，然后就可以将这些处理后的“不同key”分散到多个task中去处理，而不是让一个task处理大量的相同key。该方案与“解决方案六”的不同之处就在于，上一种方案是尽量只对少数倾斜key对应的数据进行特殊处理，由于处理过程需要扩容RDD，因此上一种方案扩容RDD后对内存的占用并不大；而这一种方案是针对有大量倾斜key的情况，没法将部分key拆分出来进行单独处理，因此只能对整个RDD进行数据扩容，对内存资源要求很高。

方案优点： 对join类型的数据倾斜基本都可以处理，而且效果也相对比较显著，性能提升效果非常不错。

方案缺点： 该方案更多的是缓解数据倾斜，而不是彻底避免数据倾斜。而且需要对整个RDD进行扩容，对内存资源要求很高。

参考文献：
https://blog.csdn.net/lukabruce/article/details/81504220
https://blog.csdn.net/wgyzzzz/article/details/107902376