1. 提前在 map 进行 combine,减少传输的数据量
在 Mapper 加上 combiner 相当于提前进行 reduce,即把一个 Mapper 中的相同 key 进行了聚合,减少 shuffle 过程中传输的数据量,以及 Reducer 端的计算量。
如果导致数据倾斜的 key 大量分布在不同的 mapper 的时候,这种方法就不是很有效了。
2. 导致数据倾斜的 key 大量分布在不同的 mapper
(1) 局部聚合加全局聚合。
第一次在 map 阶段对那些导致了数据倾斜的 key 加上 1 到 n 的随机前缀,这样本来相同的 key 也会被分到多个 Reducer 中进行局部聚合,数量就会大大降低。
第二次 mapreduce,去掉 key 的随机前缀,进行全局聚合。
思想:二次 mr,第一次将 key 随机散列到不同 reducer 进行处理达到负载均衡目的。第二次再根据去掉 key 的随机前缀,按原 key 进行 reduce 处理。
这个方法进行两次 mapreduce,性能稍差。
(2) 增加 Reducer,提升并行度
JobConf.setNumReduceTasks(int)
(3) 实现自定义分区
根据数据分布情况,自定义散列函数,将 key 均匀分配到不同 Reducer