在shuffle的时候,必须在各个节点尚来去相同的key到某个节点尚的一个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,就会发生数据倾斜。比如大部分key对饮10条数据,但个别key对应了100万条数据,那么大部分task可能只分配到10条数据,然后1秒就运行完;但是个别task可能分配到了100万数据,要运行一两个小时。
-
提前在map进行combine,减少数据的数据量
在Mapper加上combiner相当于提前进行reduce,即把一个Mapper中相同key进行了聚合,减少了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) -
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,提高并行度. 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均匀分布到不同reducer。
-
利用group by代替distinct
采用distinct会将所有的name的key都shuffle到一个reduce里面,就容易产生数据倾斜。采用group by +
聚合函数的方式会将数据更据key分配到不同的reduce中,避免数据倾斜。