Hadoop知识点总结——数据倾斜解决方法

1、提前在map端进行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。

2、导致数据倾斜的key，大量分布在不同的mapper

2.1 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。

2.2 增加Reducer，提升并行度

可以通过参数设置，提升Reduce的并行度：JobConf.setNumReduceTasks(int)

2.3 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。

-------------- end ----------------

微信公众号：扫描下方二维码或 搜索 笑看风云路 关注