数据倾斜的原因:
数据倾斜与业务逻辑和数据量有关
在MapReduce程序中,数据倾斜主要发生在某个key的数据量较大,此key分散到某个reduce造成reduce阶段的缓慢甚至卡顿。
在Spark程序中,同一个Stage的不同Partition可以并行运行,而具有依赖关系的Stage是串联的。Stage中包含多个Task是可以并行运行的,但是如果某一个task损耗的时间过长,则当前Stage的总运行时间至少是最慢的哪个task的运行时间,下一个关联的Stage也不能运行,进而造成数据倾斜。
解决方案
MapReduce的解决方案:
- 调优参数:在map中做部分聚集操作,效率更高但需要更多内存
- 在map阶段将造成倾斜的key先分成多组,比如加后缀的方式
- 能先进行group操作的时候先进行group,把key先进行一次reduce
- join操作,使用map join在map端先进行join,免得reduce时卡住
- 增加reduce的JVM内存、reduce个数
- distinct
Spark的解决方案
- 聚合源数据:Spark的数据源主要是hive、kafka等。可以处理好kafka相关topic的各Partition之间数据是否平衡,这直接决定Spark处理该数据时是否会产生数据倾斜。
- 过滤导致倾斜的key
- 通过shuffle操作提高reduce并行度
- 使用随机key实现双重聚合
- 将reduce join转换成map join
传送门: