Spark数据倾斜的七种解决方案（全）

1、什么是数据倾斜

  如上图所示，在执行shuffle操作时，会根据key进行value的聚合、拉取、输出。相同的key一定会分配到同一个分区内进行处理。如上图，同一个key的values，最后一定是分配到一个reduceTask进行处理的。这样就会导致hello有7个value要处理，world和you只有1个value要处理，很明显当world和you处理完，hello还在进行处理，这样就导致了数据的倾斜。
  当现实中业务的数据很大的时候，出现数据倾斜轻则会导致数据处理特别慢（大部分reduce已经执行完任务，而个别reduce任务还要执行很久），重则Spark任务无法执行。

scala> val rdd = sc.parallelize(List("hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello"),3)
rdd: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[1] at parallelize at <console>:24

scala> rdd.glom.collect
res0: Array[Array[String]] = Array(Array(hello, hello, hello, hello, hello, hello, hello), Array(hello, hello, hello, hello, hello, hello, hello), Array(hello, hello, hello, hello, hello, hello, hello))

scala> rdd.map((_,1)).glom.collect
res1: Array[Array[(String, Int)]] = Array(Array((hello,1), (hello,1), (hello,1), (hello,1), (hello,1), (hello,1), (hello,1)), Array((hello,1), (hello,1), (hello,1), (hello,1), (hello,1), (hello,1), (hello,1)), Array((hello,1), (hello,1), (hello,1), (hello,1), (hello,1), (hello,1), (hello,1)))

scala> rdd.map((_,1)).groupByKey.glom.collect
res2: Array[Array[(String, Iterable[Int])]] = Array(Array(), Array((hello,CompactBuffer(1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1))), Array())

  如上代码我们可以看出，我们把rdd进行groupByKey操作之后，相同的key对应的value都分到了同一个分区下，每一个分区对应一个task任务，这样就导致了两个分区没有数据，只有一个分区有数据，这样就造成了数据倾斜，只有RDD在执行shuffle操作时候，才有可能出现输出倾斜。

2、数据倾斜的表现

  ①处理数据时有一个或多个任务进度长时间维持在99%（或100%），查看任务监控页面，发现只有少量（1个或几个）reduce子任务未完成，说明该reducetask在数据处理量与未完成的reducetask数据处理量相差很大，这也就造成了数据倾斜。
  ②另一种情况就是其它reduceTask任务都执行完了，只有个别reduceTask会突然报一个OOM、JVM Out Of Memory、内存溢出、task failed、task lost或resubmitting task，反复执行该Job都不行，这就是数据倾斜导致任务无法执行的表现，出现这种情况必须要解决数据倾斜，不然就别提优化了。

3、如何确定数据倾斜的原因所在

  数据倾斜只有在执行shuffle操作才会发生，首先可以先在程序中查找用到的哪些算子需要执行shuffle操作，例如：reduceByKey、groupByKey、countByKey、distinct、join等。
  然后我们需要查看任务执行的log日志文件，log一般会报是在你的哪一行代码，导致了OOM异常。
  如果没有的话，还可以看看log中任务执行到了第几个stage,根据我们编写的代码，分析我stage是如何划分的，这样就能根据log中执行到的stage，找到对应算子执行shuffle操作时候所划分的stage，这样就找到了是哪里发生了数据倾斜。

4、数据倾斜的解决方案

方案一

  这也是最直接、最简单、最有效的方法，就是聚合数据源。在平时我们用到的算子中，经常会进行聚合操作，例如，reduceByKey、groupByKey等，他们都是在Spark作业中执行的。一般Spark作业的数据来源于hive表，hdfs（分布式文件存储系统）上存储的数据。
  hive就是适合做离线的，晚上凌晨跑的，ETL（extract transform load）即数据的采集、清洗、导入，还有hive sql，去做以上这些事情，从而去形成一个完整的hive中的数据仓库。spark作业中的源hive表，通常也是通过某些hive etl生成的。
  数据倾斜，也就意味着某个key对应10万条数据，某些key对应几百条，某些key只对应几十条。这时候我们就可以直接在生成hive表的hive etl中对数据进行聚合。比如按key来分组，将key对应的所有的values全部用一种特殊的格式拼接到一个字符串里面去。这也就意味着，每个key就只对应一条数据。在spark中，就不需要再去执行groupByKey+map这种操作了，直接对每个key对应的values字符串进行map操作，然后再进行我们需要的操作即可。这也就避免了进行shuffle操作。
  除了这种方式，另一种数据源聚合的方式就是粗粒化Key。例如有10万条数据包含了多个城市，各个地区，最近一周，每天的天气情况。我们可以直接按照城市的粒度，做聚合操作，把各个地区，最近一周，每天的天气情况都给聚合起来。减少每个key对应的value数量,聚合之后的数据会大幅减少，可能由10万条数据减少到几万条，这样也能尽可能避免因shuffle操作导致的数据倾斜。

方案二

  根据我们的业务需求和实际情况，我们可以从hive表查询源数据的时候，直接在sql中用where条件过滤掉某几个将导致数据倾斜的key。这样也能避免因shuffle操作导致的数据倾斜。

方案三

  如果前两个方案都不能解决，则采用这种。
  提高shuffle操作reduce并行度，也就是增加reduceTask的数量，这样也能尽可能减小或解决数据倾斜情况的发生。
  那么如何提高reduce并行度？
  在我们调用shuffle算子(groupByKey、reduceByKey、countByKey等)的时候，传入进去一个参数。那个数字，就代表了那个shuffle操作的reduce端的并行度。那么在进行shuffle操作的时候，就会对应着创建指定数量的reduce task。
  例：m.groupByKey(10).glom.collect，即创建了10个reduceTaks
  这种方式有时候也不能完全解决数据倾斜的情况，只能使整个Spark工作执行的更快一点，但是还是很慢。这就要采用后面的四种方案了。

方案四

  使用随机key实现双重聚合，这种方法只针对于groupByKey和reduceByKey。
  主要方法就是在第一次聚合前先将每个key前面加一个随机数，这样来打散Key，避免数据倾斜。
  进行groupByKey分组后，通过map操作对每个分区内的value进行一次sum求和。
  求完和后在通过substring去掉Key的前缀，然后在进行reduceByKey聚合。
  另一种方式就是在打散Key之后，进行reduceByKey聚合。
  聚合之后在进行substring去掉Key的前缀，然后在进行reduceByKey聚合。
  废话不多说，上代码！

scala> val rdd = sc.parallelize(List("hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello","hello"),3)
rdd: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[1] at parallelize at <console>:24

scala> rdd.glom.collect
res0: Array[Array[String]] = Array(Array(hello, hello, hello, hello, hello, hello, hello), Array(hello, hello, hello, hello, hello, hello, hello), Array(hello, hello, hello, hello, hello, hello, hello))

scala> rdd.map(x=>{var rd=scala.util.Random.nextInt(10); (rd+"_"+x,1)}).glom.collect
res4: Array[Array[(String, Int)]] = Array(Array((8_hello,1), (1_hello,1), (9_hello,1), (3_hello,1), (1_hello,1), (2_hello,1), (5_hello,1)), Array((2_hello,1), (8_hello,1), (9_hello,1), (3_hello,1), (4_hello,1), (6_hello,1), (6_hello,1)), Array((0_hello,1), (7_hello,1), (4_hello,1), (4_hello,1), (0_hello,1), (0_hello,1), (5_hello,1)))

scala> rdd.map(x=>{var rd=scala.util.Random.nextInt(10); (rd+"_"+x,1)}).groupByKey.glom.collect
res5: Array[Array[(String, Iterable[Int])]] = Array(Array((2_hello,CompactBuffer(1)), (6_hello,CompactBuffer(1, 1, 1, 1)), (9_hello,CompactBuffer(1, 1))), Array((3_hello,CompactBuffer(1, 1)), (0_hello,CompactBuffer(1, 1, 1)), (7_hello,CompactBuffer(1, 1, 1, 1))), Array((4_hello,CompactBuffer(1, 1)), (5_hello,CompactBuffer(1)), (1_hello,CompactBuffer(1)), (8_hello,CompactBuffer(1))))

scala> rdd.map(x=>{var rd=scala.util.Random.nextInt(10); (rd+"_"+x,1)}).groupByKey.map(t=>(t._1,t._2.sum)).glom.collect
res6: Array[Array[(String, Int)]] = Array(Array((2_hello,2), (6_hello,1), (9_hello,3)), Array((0_hello,3)), Array((4_hello,2), (5_hello,4), (1_hello,5), (8_hello,1)))

scala> rdd.map(x=>{var rd=scala.util.Random.nextInt(10); (rd+"_"+x,1)}).groupByKey.map(t=>(t._1,t._2.sum)).map(t=>(t._1.substring(2),t._2)).glom.collect
res7: Array[Array[(String, Int)]] = Array(Array((hello,7), (hello,2), (hello,3)), Array((hello,2), (hello,1)), Array((hello,3), (hello,1), (hello,2)))

scala> rdd.map(x=>{var rd=scala.util.Random.nextInt(10); (rd+"_"+x,1)}).groupByKey.map(t=>(t._1,t._2.sum)).map(t=>(t._1.substring(2),t._2)).reduceByKey(_+_).glom.collect
res8: Array[Array[(String, Int)]] = Array(Array(), Array((hello,21)), Array())

scala> rdd.map(x=>{var rd=scala.util.Random.nextInt(10); (rd+"_"+x,1)}).glom.collect
res9: Array[Array[(String, Int)]] = Array(Array((6_hello,1), (8_hello,1), (6_hello,1), (3_hello,1), (1_hello,1), (1_hello,1), (9_hello,1)), Array((9_hello,1), (7_hello,1), (3_hello,1), (8_hello,1), (3_hello,1), (5_hello,1), (8_hello,1)), Array((8_hello,1), (8_hello,1), (1_hello,1), (3_hello,1), (8_hello,1), (4_hello,1), (0_hello,1)))

scala> rdd.map(x=>{var rd=scala.util.Random.nextInt(10); (rd+"_"+x,1)}).reduceByKey(_+_).glom.collect
res10: Array[Array[(String, Int)]] = Array(Array((2_hello,2), (6_hello,1), (9_hello,3)), Array((3_hello,1), (0_hello,2), (7_hello,1)), Array((4_hello,4), (5_hello,2), (1_hello,4), (8_hello,1)))

scala> rdd.map(x=>{var rd=scala.util.Random.nextInt(10); (rd+"_"+x,1)}).reduceByKey(_+_).map(x=>(x._1.substring(2),x._2)).glom.collect
res11: Array[Array[(String, Int)]] = Array(Array((hello,5), (hello,2), (hello,3)), Array((hello,2), (hello,1)), Array((hello,3), (hello,2), (hello,1), (hello,2)))

scala> rdd.map(x=>{var rd=scala.util.Random.nextInt(10); (rd+"_"+x,1)}).reduceByKey(_+_).map(x=>(x._1.substring(2),x._2)).reduceByKey(_+_).glom.collect
res12: Array[Array[(String, Int)]] = Array(Array(), Array((hello,21)), Array())

方案五

  将reduce join转换为map join。普通的join，那么肯定是要进行shuffle操作。既然是走shuffle，那么普通的join就肯定是走的是reduce join。
  那么我们就先将所有相同的key对应的value汇聚到一个task中，然后再进行join。
  那么这种方案适用于什么情况呢？
  如果两个RDD要进行join，其中一个RDD是比较小的。比如一个RDD是100万数据，一个RDD是1万数据。我们可以将小的RDD数据作为广播变量broadcast广播出去，这样就可以缓存到每个节点（Executor）上。前提要保证有足够的内存存放广播变量。这样就从根本上解决了join操作可能导致的数据倾斜的问题。
  但是当两个RDD数据量都很大的时候，就不能用这种方式了，那样很容易会导致内存溢出。所以，我们只能使用map join的方式，牺牲一点内存资源。在可行的情况下，优先这么使用。

方案六

  sample采样倾斜的key单独进行join。
  主要就是将发生数据倾斜的key，单独拉出来，放到一个RDD中去。就用这个原本会倾斜的key RDD跟其他的RDD单独去join一下，这个时候key对应的数据可能就会分散到多个task中去进行join操作。就不至于说是，这个key跟之前其他的key混合在一个RDD中时，肯定是会导致一个key对应的所有数据都到一个task中去，就会导致数据倾斜。
  那么什么情况下适合使用这种方案呢？
  优先对于join，肯定是希望能够采用方案五，针对与我们的RDD的数据，我们可以把它转换成一个中间表，或者是直接用countByKey的方式，查看这个RDD各个key对应的数据量。
  此时如果你发现整个RDD就一个或者少数几个key对应的数据量特别多。此时建议采用这种方案，单拉出来那个最多的key，单独进行join，尽可能地将key分散到各个task上去进行join操作。
  如果你发现整个RDD中有多个key对应的数据量都特别多，此时，只能将数据量多的key拉取出来，然后进行一个优化操作。从另外一个要join的表中，也过滤出来一份数据，比如某个key可能就只有一条数据。
  然后我们再对那个只有一条数据的RDD，进行flatMap操作，打上100个随机数，作为前缀，返回100条数据。
  然后再将刚刚拉取出来的key对应的数据量特别多的RDD,给每一条数据，都打上一个100以内的随机数，作为前缀。然后就可以进行join操作了，join完以后，执行map操作将之前打上的随机数给去掉，然后再和另外一个普通RDD join以后的结果再进行union操作。

方案七

  使用随机数以及扩容表进行join。
  这个方案是没办法彻底解决数据倾斜的，只是一种对数据倾斜的缓解。
  1、选择一个RDD，要用flatMap，进行扩容，将每条数据，映射为多条数据，每个映射出来的数据，都带了一个n以内的随机数，通常来说会选择10。
  2、将另外一个RDD，做普通的map映射操作，每条数据都打上一个10以内的随机数。
  3、最后将两个处理后的RDD进行join操作。
  4、因为两个RDD都很大，所以你没有办法去将某一个RDD扩的特别大，一般就是10倍。
  5、如果就是10倍的话，那么数据倾斜问题的确是只能说是缓解和减轻，不能说彻底解决。