Flink中的数据倾斜与解决方案实践

什么是数据倾斜

在使用一些大数据处理框架进行海量数据处理的过程中，可能会遇到数据倾斜的问题，由于大数据处理框架本身架构的原因，在框架层面，数据倾斜问题是无法避免的，只能在业务层面来缓解或者避免。

因为要处理海量的数据，常用的大数据处理框架都会采用分布式架构，将海量数据分成多个小的分片，再将每个小分片分配给不同的计算节点来处理，通过对计算节点进行横向扩容，来快速提升框架的数据处理性能，因此即使是海量数据，也可以在较短的时间内完成处理，但是也正是由于这种架构设计，导致了数据倾斜问题的产生。

试想，如果小分片中的数据分布不均匀，有某个或者某几个小分片中包含了80%的数据量，那么处理这些分片的计算节点压力就会比较大，就会导致，整个分布式集群中，大部分节点是空闲的，只有某几个比较繁忙，无法使计算资源得到重复利用，最终导致框架的整体效率比较低。

如何解决数据倾斜

因为产生数据倾斜问题的直接原因就是数据分布不均匀，要解决这个问题最直接的方法就是：在业务层面将数据的分布变得均匀一些，让分布式集群中每个计算节点的资源得到重复利用。

因为数据分布不均匀是业务层面的问题，将数据分布变均匀的方案，也要结合业务场景来设计，下面我们以wordCount为例来演示以下数据倾斜问题，以及相应的解决方案。后面当遇到数据倾斜问题时，希望对你有一定的启发。

实践案例

下面是一个wordCount的程序的实现：

public class ShuffleWindowFunctionTest {

    public static void main(String[] args) throws Exception {
        StreamExecutionEnvironment env = StreamExecutionEnvBase.getStreamEnv(9091);
        DataStreamSource<Tuple2<String,Integer>> sourceStream = env.addSource(StreamExecutionEnvBase.getRandomStringSource(1000000, 1));

        (sourceStream.keyBy(new KeySelector<Tuple2<String,Integer>, String>() {
            @Override
            public String getKey(Tuple2<String,Integer> value) throws Exception {
                return value.f0 ;
            }
        })
                .timeWindow(Time.seconds(5))
                .process(new ProcessWindowFunction<Tuple2<String,Integer>, String, String, TimeWindow>() {

                    Map<String, Integer> map = new HashMap<>();

                    @Override
                    public void process(String s, Context context, Iterable<Tuple2<String,Integer>> iterable, Collector<String> collector) throws Exception {
                        for (Tuple2<String,Integer> tuple2 : iterable) {
                            String key = tuple2.f0;
                            if (map.containsKey(key)) {
                                map.put(key, map.get(key) + 1);
                            } else {
                                map.put(key, 1);
                            }
                        }

                        for (Map.Entry<String, Integer> entry : map.entrySet()) {
                            collector.collect(String.format("key:%s,count:%s", entry.getKey(), entry.getValue()));
                        }
                    }
                })).setParallelism(8)
                .print("total").setParallelism(8);
        env.execute("shuffle stream");
    }
}



public class StreamExecutionEnvBase {

    public static StreamExecutionEnvironment getStreamEnv(Integer webUiPort) {
        Configuration conf = new Configuration();
        conf.setString("rest.port",String.valueOf(webUiPort));
        StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironmentWithWebUI(conf);

        return env;
    }

 public static SourceFunction<Tuple2<String,Integer>> getRandomStringSource(int count, Integer sleep) {

        return new SourceFunction<Tuple2<String,Integer>>() {
            Random random = new Random();
            String[] values = {"hadoop","flink","spark","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis"
                    ,"redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis"
                    ,"redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis","redis"};
            volatile boolean running = true;
            int c = count;

            @Override
            public void run(SourceContext<Tuple2<String,Integer>> ctx) throws Exception {
                while (running && c-- > 0) {
                    String target = values[c % values.length];
                    ctx.collect(new Tuple2<>(target,random.nextInt(100)));
                    TimeUnit.MILLISECONDS.sleep(sleep);
                }
            }

            @Override
            public void cancel() {
                running = false;
                System.out.println("cancel job ...");
            }
        };
    }
}

上面的source代码中，word为"redis"的数据量比较大，明显多于其他word的数据量。此时，对于处理"reids"的subTask的压力会比较大，我们可以通过flink的监控来进行验证，具体如下图：

在上图中，可以发现subTask0处理的数据量，是其他SubTask的40倍左右，此时产生了明显的数据倾斜问题。
为了解决"redis"倾斜的问题，我们可以将"redis"生成key的过程进行优化，将生成的key进行"打散"，具体实现过程如下：

 sourceStream.keyBy(new KeySelector<Tuple2<String,Integer>, String>() {
            @Override
            public String getKey(Tuple2<String,Integer> value) throws Exception {
                if("redis".equals(value.f0))
                    return value.f0 + value.f1;
                return value.f0;
            }
        }

这样word为redis的数据，生成的key就会被打散成多个，打散的多个key分散到不同的subTask中处理，这样数据倾斜的问题就得到了解决，执行结果如下图：

到这里，我们解决了数据倾斜的问题，但是细心的读者会发现，将key打散后，数据倾斜问题虽然解决了，但是sink到下游的数据量也变多了，也就是说，发送到下游的数据聚合度降低了，数据变得更散了，如下图：

优化前：
优化后：

结合之前文章Flink中的Window计算-增量计算&全量计算，我们可以知道，发送下游数据量变多的原因：key变多了，每个key都会对应一个 ProcessWindowFunction 实例，也就是 ProcessWindowFunction 实例个数变得更多，聚合结果 "map"的聚合度就变小了，发送到下游的数据量也就变得更多了。

如果flink的下游是存储层，如mysql，那么大批量的数据写到mysql中，对mysql的并发处理能力和存储都会是巨大的挑战。

那么该如何解决这个问题呢？解决方案其实也很简单：对发送给下游的数据，进行二次聚合，将分散的数据再次聚合一下，具体实现，可以参考如下代码：

 public static void main(String[] args) throws Exception {
        StreamExecutionEnvironment env = StreamExecutionEnvBase.getStreamEnv(9091);
        DataStreamSource<Tuple2<String,Integer>> sourceStream = env.addSource(StreamExecutionEnvBase.getRandomStringSource(1000000, 1));

        (sourceStream.keyBy(new KeySelector<Tuple2<String,Integer>, String>() {
            @Override
            public String getKey(Tuple2<String,Integer> value) throws Exception {
                if("redis".equals(value.f0))
                    return value.f0 + value.f1;
                return value.f0;
            }
        })
                .timeWindow(Time.seconds(5))
                .process(new ProcessWindowFunction<Tuple2<String,Integer>, String, String, TimeWindow>() {

                    Map<String, Integer> map = new HashMap<>();

                    @Override
                    public void process(String s, Context context, Iterable<Tuple2<String,Integer>> iterable, Collector<String> collector) throws Exception {
                        for (Tuple2<String,Integer> tuple2 : iterable) {
                            String key = tuple2.f0;
                            if (map.containsKey(key)) {
                                map.put(key, map.get(key) + 1);
                            } else {
                                map.put(key, 1);
                            }
                        }

                        for (Map.Entry<String, Integer> entry : map.entrySet()) {
                            collector.collect(String.format("key:%s,count:%s", entry.getKey(), entry.getValue()));
                        }
                    }
                }))
                .map(new MapFunction<String, Tuple2<String,Integer>>() {
                    @Override
                    public Tuple2<String, Integer> map(String value) throws Exception {
                        String[] split = value.split(",");
                        return new Tuple2<String,Integer>(split[0].split(":")[1],
                                Integer.valueOf(split[1].split(":")[1]));
                    }
                }).keyBy(new KeySelector<Tuple2<String, Integer>, String>() {
            @Override
            public String getKey(Tuple2<String, Integer> value) throws Exception {
                return value.f0;
            }
        }).timeWindow(Time.seconds(5))
                .process(new ProcessWindowFunction<Tuple2<String,Integer>, String, String, TimeWindow>() {

                    Map<String, Integer> map = new HashMap<>();

                    @Override
                    public void process(String s, Context context, Iterable<Tuple2<String,Integer>> iterable, Collector<String> collector) throws Exception {
                        for (Tuple2<String,Integer> tuple2 : iterable) {
                            String key = tuple2.f0;
                            if (map.containsKey(key)) {
                                map.put(key, map.get(key) + 1);
                            } else {
                                map.put(key, 1);
                            }
                        }

                        for (Map.Entry<String, Integer> entry : map.entrySet()) {
                            collector.collect(String.format("key:%s,count:%s", entry.getKey(), entry.getValue()));
                        }
                    }
                }).setParallelism(8)

                .print().setParallelism(4);
        env.execute("shuffle stream");
    }

执行效果，如下图所示：

此时，数据倾斜问题得到了解决，同时发送给下游的数据量也变小了。这时，可能还会有读者剔除疑问：二次聚合的过程中是否还会产生数据倾斜？答案是：会的。

只是这个数据倾斜的程度是可控的，因为第一次聚合后的数据量的最大值为：业务key的个数 * 离散度(可能的后缀的个数，在上面的例子中是:random.nextInt(100)，也就是100种)。倾斜问题，不会随着数据量增大而增大，这种倾斜问题不会产生太大影响，基本可以忽略。