spark数据倾斜
什么是数据倾斜
- 数据倾斜是大数据领域一个很常见的问题,通常表现为其余task很早就完成 了,但是极个别task时效很久或者压根就完不成。原因通常为数据分布极为不均,某一个key的数据太多而加载到一个task中工作(MapReduce表现也差不多)
- 一般会发生在shuffle的算子过程
解决方法(思路和hive其实比较像)
一、使用Hive ETL预处理数据
- 原理:hive中的数据有倾斜,所以再hive中就把倾斜解决掉,不在spark中处理。
- 优点:实现起来简单便捷,效果还非常好,完全规避掉了数据倾斜,Spark作业的性能会大幅度提升。
- 缺点:治标不治本,Hive ETL中还是会发生数据倾斜。
二、过滤少数导致倾斜的key
- 原理:将少数几个数据量过多且不影响结果的key的数据过滤掉filter算子。
- 优点:实现简单,而且效果也很好,可以完全规避掉数据倾斜。
- 缺点:适用场景不多,大多数情况下,导致倾斜的key很多的,并不是只有少数几个。
三、提高shuffle操作的并行度
- 原理:增加shuffle read task的数量,可以让原本分配给一个task的多个key分配给多个task,从而让每个task处理比原来更少的数据(算子可以设定参数)
- 优点:实现起来比较简单,可以有效缓解和减轻数据倾斜的影响
- 缺点:只是缓解了数据倾斜而已,没有彻底根除问题,其效果有限。
四、两阶段聚合(局部聚合+全局聚合)
- 原理:将原本相同的key通过附加随机前缀或者后缀的方式,变成多个不同的key,局部聚合一次,再将结果全局聚合一次。和hive的添加随机数原理一样
- 优点:对聚合类的shuffle效果明显,至少是大幅度解决
- 缺点:只针对聚合类的shuffle有效,join类的还需要其他的方法
五、将reduce join转为map join
- 原理:如果一个RDD是比较小的,则可以采用广播小RDD全量数据+map算子来实现与join同样的效果,也就是map join,此时就不会发生shuffle操作,也就不会发生数据倾斜。
- 优点:对join的优化效果明显,因为没有shuffle所以就不会倾斜。
- 缺点:只适用于一个大的RDD和小RDD,要是大表和大表的时候就不适用。
六、采样倾斜key并分拆join操作
- 原理:将少数几个数据量过多且不影响结果的key的分拆成独立的RDD(加后缀或者前缀),这样就不会再一个RDD里面。
- 优点:如果只是某几个key导致了倾斜,该方式可以用最有效的方式打散key进行join。
- 缺点:要是导致倾斜的key特别多的话也不适合。