Spark数据倾斜解决方案

数据倾斜的解决，跟之前讲解的性能调优，有一点异曲同工之妙。性能调优，跟大家讲过一个道理，“重剑无锋”。性能调优，调了半天，最有效，最直接，最简单的方式，就是加资源，加并行度，注意RDD架构（复用同一个RDD，加上cache缓存）；shuffle、jvm等，都是次要的。数据倾斜的解决方案，第一个方案和第二个方案，是最朴素、最简谱、最直接、最有效、最简单的，解决数据倾斜问题的方案。重剑无锋。后面的五个方案，尤其是最后4个方案，都是那种特别炫酷的方案，像双重group聚合方案、sample抽样分解聚合方案；但是如果碰到了数据倾斜的问题，上来就先考虑考虑第一个和第二个方案，能不能做，如果能做的话，后面的5个方案，都不用去搞了，有效、简单、直接，效果是非常之好的，彻底根除了数据倾斜的问题。

1、聚合源数据

我们做一些聚合的操作（groupByKey、reduceByKey），groupByKey，就是拿到每个key对应的values；reduceByKey，就是对每个key对应的values执行一定的计算。只是现在这些操作，比如groupByKey和reduceByKey，包括之前说的join，都是在spark作业中执行的。

spark作业的数据来源，90%的情况下，数据来源都是hive表（hdfs上存储的大数据）。

有了spark以后，hive适合做离线的，晚上凌晨跑的，ETL（extract transform load，数据的采集、清洗、导入），hive sql，去做这些事情，从而去形成一个完整的hive中的数据仓库；说白了，数据仓库，就是一堆表。spark作业的源表，hive表，其实通常情况下来说，也是通过某些hive etl生成的。hive etl可能是晚上凌晨在那儿跑。今天跑昨天的数据。

数据倾斜，某个key对应的80万数据，某些key对应几百条，某些key对应几十条；

• 1、我们直接在生成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，比如“key=sessionid, value: action_seq=1|user_id=1|search_keyword=火锅|category_id=001;action_seq=2|user_id=1|search_keyword=涮肉|category_id=001”。

  对key进行group，在spark中，拿到key=sessionid，values<Iterable>；我们在hive etl中，直接对key进行了聚合，那么也就意味着，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，map操作，进行你需要的操作即可。

  这时在spark中，可能对这个操作，就不需要执行shffule操作了，也就根本不可能导致数据倾斜。

• 2、我们直接对每个key在hive etl中进行聚合，对所有values聚合一下，不一定是拼接起来，可能是直接进行计算。reduceByKey，计算函数，应用在hive etl中，每个key的values。

• 3、我们有时候可能没有办法对每个key，就聚合出来一条数据；那么也可以做一个妥协；对每个key对应的数据，10万条；有好几个粒度，比如10万条里面包含了几个城市、几天、几个地区的数据，现在放粗粒度；直接就按照城市粒度，做一下聚合，几个城市，几天、几个地区粒度的数据，都给聚合起来。比如说city_id date area_idselect ... from ... group by city_id

  尽量去聚合，减少每个key对应的数量，也许聚合到比较粗的粒度之后，原先有10万数据量的key，现在只有1万数据量。减轻数据倾斜的现象和问题。

2、过滤导致倾斜的key

如果我们可以拒接某些数据，在spark作业中直接就摒弃掉，不使用。比如说，总共有100万个key，只有2个key，是数据量达到10万的，其他所有的key，对应的数量都是几十。这个时候，可以去取舍，如果业务和需求可以理解和接受的话，在我们从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key。

那么这几个原先有大量数据，会导致数据倾斜的key，被过滤掉之后，那么在你的spark作业中，自然就不会发生数据倾斜了。

3、提高shuffle操作reduce并行度

将reduce task的数量，变多，就可以让每个reduce task分配到更少的数据量，这样的话，也许就可以缓解，或者甚至是基本解决掉数据倾斜的问题。

• 怎么操作给我们所有的shuffle算子，比如groupByKey、countByKey、reduceByKey。在调用的时候，传入进去一个参数，一个数字，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。

  这样的话，就可以让每个reduce task分配到更少的数据。基本可以缓解数据倾斜的问题。

  比如说，原本某个task分配数据特别多，直接OOM，内存溢出了，程序没法运行，直接挂掉。按照log，找到发生数据倾斜的shuffle操作，给它传入一个并行度数字，这样的话，原先那个task分配到的数据，肯定会变少，可以避免OOM的情况，程序至少是可以跑得。

• 缺点这个是治标不治本，因为没有从根本上改变数据倾斜的本质和问题，不像第一个和第二个方案，直接避免了数据倾斜的发生，原理没有改变，只是尽可能地去缓解和减轻shuffle reduce task的数据压力，以及数据倾斜的问题。

• 实际生产环境中的经验

  那么，如果出现第二种情况的话，就立即放弃第三种方案，开始去尝试和选择后面的四种方案

  • 1、如果最理想的情况下，提升并行度以后，减轻了数据倾斜的问题，或者甚至可以让数据倾斜的现象忽略不计，那么就最好，就不用做其他的数据倾斜解决方案了。

  • 2、不太理想的情况下，就是比如之前某个task运行特别慢，要5个小时，现在稍微快了一点，变成了4个小时；或者是原先运行到某个task，直接OOM，现在至少不会OOM了，但是那个task运行特别慢，要5个小时才能跑完。

4、使用随机key实现双重聚合

使用随机key实现双重聚合

1、原理

图一为直接聚合，图二为双重聚合；整个过程分为三步

• 第一步，第一轮聚合的时候，对key进行打散，将原先一样的key，变成不一样的key，相当于是将每个key分为多组；

• 第二步，接着针对多个key组，进行key的局部聚合；

• 第三步，最后，再去除掉每个key的前缀，然后对所有的key，进行全局的聚合。

2、使用场景这种方案对groupByKey、reduceByKey造成的数据倾斜，有比较好的效果。

如果说，之前的第一、第二、第三种方案，都没法解决数据倾斜的问题，那么就只能依靠这一种方式了。

5、将reduce join转换为map join

普通join：肯定是要走shuffle（reduce join）先将所有相同的key，对应的values，汇聚到一个task中，然后再进行join

map join：先将一个RDD广播broadcast出去，然后就可以在一个task中执行map join操作，这样就可以避免shuffle操作

使用场景：如果两个RDD要进行join，其中一个RDD是比较小的。一个RDD是100万数据，一个RDD是1万数据（一个RDD是1亿数据，一个RDD是100万数据）；其中一个RDD必须是比较小的，broadcast出去那个小RDD的数据以后，就会在每个executor的block manager中都驻留一份，注意，要确保你的内存足够存放那个小RDD中的数据；这种方式下，根本不会发生shuffle操作，肯定也不会发生数据倾斜，从根本上杜绝了join操作可能导致的数据倾斜的问题；

对于join中有数据倾斜的情况，如果某个RDD比较小的情况下，要尽量第一时间先考虑这种方式，效果非常好。

对于join这种操作，不光是考虑数据倾斜的问题，即使是没有数据倾斜问题，也完全可以优先考虑，用我们讲的这种高级的reduce join转map join的技术，不要用普通的join，去通过shuffle，进行数据的join，可以通过简单的map，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，对于性能也会有不少的提升。

6、sample 采样倾斜key单独进行join

实现思路：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；如果这个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。

使用场景：对于join，优先采用第5种方案，reduce join转换map join。但是如果两个RDD数据都比较大，那么就不能那么搞了。

针对你的RDD的数据，你可以自己把它转换成一个中间表，或者是直接用countByKey()的方式，计算这个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，是对应的数据量特别多，此时可以采用咱们的这种方案，单拉出来哪个最多的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。

优化：当咱们单拉出来了一个或者少数几个可能会产生数据倾斜的key，然后还可以进行更加优化的一个操作；对于那个key，从另外一个要join的表中，也过滤出来一份数据，比如可能就只有一条数据。userid2infoRDD，一个userid key，就对应一条数据。

然后呢，采取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。

单独拉出来的可能产生数据倾斜的RDD，给每一条数据，都打上一个100以内的随机数，作为前缀。

再去进行join，肯定可以将数据进行打散（打散成100份，甚至1000份，2000份，去进行join，那么就肯定没有数据倾斜的问题了），去进行join；join完以后，可以执行map操作，去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，进行union操作。

这种情况下，还可以配合上，提升shuffle reduce并行度，join(rdd, 1000)。通常情况下，效果还是非常不错的。

缺点：如果一个RDD中，导致数据倾斜的key，特别多；那么此时，最好还是不要这样了；还是使用我们最后一个方案，终极的join数据倾斜的解决方案。

7、使用随机数以及扩容表进行join

当采用随机数和扩容表进行join解决数据倾斜的时候，就代表着，你的之前的数据倾斜的解决方案，都没法使用。这个方案是没办法彻底解决数据倾斜的，更多的，是一种对数据倾斜的缓解。

操作步骤：

• 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。

局限性：

• 1、因为你的两个RDD都很大，所以你没有办法去将某一个RDD扩得特别大，一般咱们就是10倍。

• 2、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。