在写sql或是groupby方法的时候,经常会出现类似热点或是某个维度都shuffle到了同一个节点,这个可以在sparkUI中反映出来,导致某个executor直接dead,这时会重启一个executor去重新计算,一般如果集群资源不是很大的话,大概率依旧会死掉,重试三次之后可能job就失败了。
如果你尝试了增加分区或是其他参数的优化都无效的话,个人感觉,这是在groupby的时候进行hash操作导致,你只需要给分组的字段均匀分配到每个executor即可。我比较常用的方法就是给分组的字段增加前缀随机数,也就是常说的“加盐”,这样就可以平均分配到每个executor,计算结束后,再将前缀去掉,在进行分组聚合,这样就减少了数据都集中在单个executor上的计算压力
话不多说,直接上方法,这里用java写的两个超级简单的小方法:
import org.apache.spark.sql.api.java.UDF2;
import java.