什么是数据倾斜
数据倾斜产生的原理
数据倾斜的根本原因是数据的key分布不均,个别key数据很多,超出了计算节点的计算能力的结果,导致大部分节点已经计算完,但被分配大量key相同数据的节点迟迟无法计算完。
如何判断数据是否出现倾斜
1、分析节点资源管理器,如果大部分节点已经执行完成,而个别节点长时间执行不完,很可能发生了数据倾斜;
2、分析执行日志,作业在reduce阶段停留在99%,很长时间完成不了,很可能发生了数据倾斜。
常见的可能出现数据倾斜的操作
1 group by操作
2 distinct count(distinct xxx)
3 小表join大表
4 大表join小表
数据倾斜的可能原因
1.数据分布不均:在MapReduce任务中,数据的分布可能不均匀,导致某些Mapper节点处理的数据量远大于其他节点,从而导致数据倾斜。
2.键分布不均:在MapReduce任务中,如果键的分布不均匀,也会导致某些Reducer节点处理的数据量远大于其他节点,从而导致数据倾斜。
3.数据倾斜的键:在MapReduce任务中,如果某些键的数据量远大于其他键,也会导致数据倾斜。
4.数据倾斜的值:在MapReduce任务中,如果某些键对应的值的数据量远大于其他键对应的值,也会导致数据倾斜。
5.数据倾斜的计算逻辑:在MapReduce任务中,如果某些计算逻辑导致某些节点的计算量远大于其他节点,也会导致数据倾斜。
数据倾斜的一般解决方法
1.数据预处理:在MapReduce任务之前,对数据进行预处理,使得数据分布更加均匀。
2.数据重分区:在MapReduce任务中,对数据进行重分区,使得数据分布更加均匀。
3.Combiner函数:在MapReduce任务中,使用Combiner函数对Mapper节点输出的数据进行合并,减少数据传输量。
4.动态调整Reducer数量:在MapReduce任务中,根据数据分布情况动态调整Reducer节点的数量,使得每个节点处理的数据量更加均匀。
5.随机化键:在MapReduce任务中,对键进行随机化处理,使得键的分布更加均匀。
6.采用其他计算框架:在MapReduce任务中,采用其他计算框架,例如Spark、Flink等,可以更好地处理数据倾斜问题。
具体场景
hive参数调优方法解决数据倾斜
set hive.map.aggr=true;
开启map端聚合,效率更高但需要更多的内存
set hive.groupby.skewindata=true;
开启group by数据倾斜时负载均衡,生成的查询计划会有两个MRJob,如下图所示:
第一个MRJob 中,Map的输出结果集合会随机分布到Reduce中,每个Reduce做部分聚合操作,并输出结果,这样处理的结果是key相同的数据有可能被分发到不同的Reduce中,从而达到负载均衡的目的;
第二个MRJob再根据预处理的数据结果按照Key分布到Reduce中(这个过程可以保证相同的Key被分布到同一个Reduce中),最后完成最终的聚合操作
join操作所产生的数据倾斜解决方法
1 由于空值所产生的数据倾斜
解决方法:可以选择先将空值过滤掉,如果由于某些原因控制无法过滤,那就给空值填入一个不影响其他数据的随机数。
2 将不同数据类型进行关联时会产生数据倾斜,例如将int类型数据和string类型数据关联时,会导致string类型数据被分配到同一个reduce中
解决方法:可以将数字类型转化成字符串类型
3 小表与大表进行join操作会产生数据倾斜
解决方法:尽量使用map join,而不是reduce join。即让小表全部加载进内存中。如果小表过大可以使用侧视图对小表扩容。