Spark调优之数据倾斜调优

野性酷女 2022-06-14 06:55 309阅读 0赞

前言

继[《][Link 1][Spark][]性能优化：开发调优篇》和[《Spark性能优化：资源调优篇》][Spark 1]讲解了每个Spark开发人员都必须熟知的开发调优与资源调优之后，本文作为《Spark性能优化指南》的高级篇，将深入分析数据倾斜调优与shuffle调优，以解决更加棘手的性能问题。

# 1.数据倾斜调优 #

## 调优概述 ##

有的时候，我们可能会遇到[大数据][Link 2]计算中一个最棘手的问题——数据倾斜，此时Spark作业的性能会比期望差很多。数据倾斜调优，就是使用各种技术方案解决不同类型的数据倾斜问题，以保证Spark作业的性能。

## 数据倾斜发生时的现象 ##

*  绝大多数task执行得都非常快，但个别task执行极慢。比如，总共有1000个task，997个task都在1分钟之内执行完了，但是剩余两三个task却要一两个小时。这种情况很常见。
 *  原本能够正常执行的Spark作业，某天突然报出OOM（内存溢出）异常，观察异常栈，是我们写的业务代码造成的。这种情况比较少见。

## 数据倾斜发生的原理 ##

数据倾斜的原理很简单：在进行shuffle的时候，必须将各个节点上相同的key拉取到某个节点上的一个task来进行处理，比如按照key进行聚合或join等操作。此时如果某个key对应的数据量特别大的话，就会发生数据倾斜。比如大部分key对应10条数据，但是个别key却对应了100万条数据，那么大部分task可能就只会分配到10条数据，然后1秒钟就运行完了；但是个别task可能分配到了100万数据，要运行一两个小时。因此，整个Spark作业的运行进度是由运行时间最长的那个task决定的。

因此出现数据倾斜的时候，Spark作业看起来会运行得非常缓慢，甚至可能因为某个task处理的数据量过大导致内存溢出。

下图就是一个很清晰的例子：hello这个key，在三个节点上对应了总共7条数据，这些数据都会被拉取到同一个task中进行处理；而world和you这两个key分别才对应1条数据，所以另外两个task只要分别处理1条数据即可。此时第一个task的运行时间可能是另外两个task的7倍，而整个stage的运行速度也由运行最慢的那个task所决定。

![数据倾斜原理][skwed-mech.png]

## 如何定位导致数据倾斜的代码 ##

数据倾斜只会发生在shuffle过程中。这里给大家罗列一些常用的并且可能会触发shuffle操作的算子：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。出现数据倾斜时，可能就是你的代码中使用了这些算子中的某一个所导致的。

## 某个task执行特别慢的情况 ##

首先要看的，就是数据倾斜发生在第几个stage中。

如果是用yarn-client模式提交，那么本地是直接可以看到log的，可以在log中找到当前运行到了第几个stage；如果是用yarn-cluster模式提交，则可以通过Spark Web UI来查看当前运行到了第几个stage。此外，无论是使用yarn-client模式还是yarn-cluster模式，我们都可以在Spark Web UI上深入看一下当前这个stage各个task分配的数据量，从而进一步确定是不是task分配的数据不均匀导致了数据倾斜。

比如下图中，倒数第三列显示了每个task的运行时间。明显可以看到，有的task运行特别快，只需要几秒钟就可以运行完；而有的task运行特别慢，需要几分钟才能运行完，此时单从运行时间上看就已经能够确定发生数据倾斜了。此外，倒数第一列显示了每个task处理的数据量，明显可以看到，运行时间特别短的task只需要处理几百KB的数据即可，而运行时间特别长的task需要处理几千KB的数据，处理的数据量差了10倍。此时更加能够确定是发生了数据倾斜。

![shuffle-skwed-web-ui-demo.png][]

知道数据倾斜发生在哪一个stage之后，接着我们就需要根据stage划分原理，推算出来发生倾斜的那个stage对应代码中的哪一部分，这部分代码中肯定会有一个shuffle类算子。精准推算stage与代码的对应关系，需要对Spark的源码有深入的理解，这里我们可以介绍一个相对简单实用的推算方法：只要看到Spark代码中出现了一个shuffle类算子或者是Spark SQL的SQL语句中出现了会导致shuffle的语句（比如group by语句），那么就可以判定，以那个地方为界限划分出了前后两个stage。

这里我们就以Spark最基础的入门程序——单词计数来举例，如何用最简单的方法大致推算出一个stage对应的代码。如下示例，在整个代码中，只有一个reduceByKey是会发生shuffle的算子，因此就可以认为，以这个算子为界限，会划分出前后两个stage。

*  stage0，主要是执行从textFile到map操作，以及执行shuffle write操作。shuffle write操作，我们可以简单理解为对pairs RDD中的数据进行分区操作，每个task处理的数据中，相同的key会写入同一个磁盘文件内。
 *  stage1，主要是执行从reduceByKey到collect操作，stage1的各个task一开始运行，就会首先执行shuffle read操作。执行shuffle read操作的task，会从stage0的各个task所在节点拉取属于自己处理的那些key，然后对同一个key进行全局性的聚合或join等操作，在这里就是对key的value值进行累加。stage1在执行完reduceByKey算子之后，就计算出了最终的wordCounts RDD，然后会执行collect算子，将所有数据拉取到Driver上，供我们遍历和打印输出。  
    
    
    **\[plain\]**  [view plain][]   [copy][view plain]
    
      [print][view plain] [?][view plain]
    
    1.  val conf = new SparkConf()  
    2.  val sc = new SparkContext(conf)  
    3.    
    4.  val lines = sc.textFile("hdfs://...")  
    5.  val words = lines.flatMap(\_.split(" "))  
    6.  val pairs = words.map((\_, 1))  
    7.  val wordCounts = pairs.reduceByKey(\_ + \_)  
    8.    
    9.  wordCounts.collect().foreach(println(\_))

通过对单词计数程序的分析，希望能够让大家了解最基本的stage划分的原理，以及stage划分后shuffle操作是如何在两个stage的边界处执行的。然后我们就知道如何快速定位出发生数据倾斜的stage对应代码的哪一个部分了。比如我们在Spark Web UI或者本地log中发现，stage1的某几个task执行得特别慢，判定stage1出现了数据倾斜，那么就可以回到代码中定位出stage1主要包括了reduceByKey这个shuffle类算子，此时基本就可以确定是由educeByKey算子导致的数据倾斜问题。比如某个单词出现了100万次，其他单词才出现10次，那么stage1的某个task就要处理100万数据，整个stage的速度就会被这个task拖慢。

## 某个task莫名其妙内存溢出的情况 ##

这种情况下去定位出问题的代码就比较容易了。我们建议直接看yarn-client模式下本地log的异常栈，或者是通过YARN查看yarn-cluster模式下的log中的异常栈。一般来说，通过异常栈信息就可以定位到你的代码中哪一行发生了内存溢出。然后在那行代码附近找找，一般也会有shuffle类算子，此时很可能就是这个算子导致了数据倾斜。

但是大家要注意的是，不能单纯靠偶然的内存溢出就判定发生了数据倾斜。因为自己编写的代码的bug，以及偶然出现的数据异常，也可能会导致内存溢出。因此还是要按照上面所讲的方法，通过Spark Web UI查看报错的那个stage的各个task的运行时间以及分配的数据量，才能确定是否是由于数据倾斜才导致了这次内存溢出。

## 查看导致数据倾斜的key的数据分布情况 ##

知道了数据倾斜发生在哪里之后，通常需要分析一下那个执行了shuffle操作并且导致了数据倾斜的RDD/[Hive][]表，查看一下其中key的分布情况。这主要是为之后选择哪一种技术方案提供依据。针对不同的key分布与不同的shuffle算子组合起来的各种情况，可能需要选择不同的技术方案来解决。

此时根据你执行操作的情况不同，可以有很多种查看key分布的方式：

1.  如果是Spark SQL中的group by、join语句导致的数据倾斜，那么就查询一下SQL中使用的表的key分布情况。
2.  如果是对Spark RDD执行shuffle算子导致的数据倾斜，那么可以在Spark作业中加入查看key分布的代码，比如RDD.countByKey()。然后对统计出来的各个key出现的次数，collect/take到客户端打印一下，就可以看到key的分布情况。

举例来说，对于上面所说的单词计数程序，如果确定了是stage1的reduceByKey算子导致了数据倾斜，那么就应该看看进行reduceByKey操作的RDD中的key分布情况，在这个例子中指的就是pairs RDD。如下示例，我们可以先对pairs采样10%的样本数据，然后使用countByKey算子统计出每个key出现的次数，最后在客户端遍历和打印样本数据中各个key的出现次数。

**\[plain\]**  [view plain][]   [copy][view plain]

[print][view plain] [?][view plain]

1.  val sampledPairs = pairs.sample(false, 0.1)  
2.  val sampledWordCounts = sampledPairs.countByKey()  
3.  sampledWordCounts.foreach(println(\_))

# 2.数据倾斜的解决方案 #

## 解决方案一：使用Hive ETL预处理数据 ##

方案适用场景：导致数据倾斜的是[hive][Hive]表。如果该Hive表中的数据本身很不均匀（比如某个key对应了100万数据，其他key才对应了10条数据），而且业务场景需要频繁使用Spark对Hive表执行某个分析操作，那么比较适合使用这种技术方案。

方案实现思路：此时可以评估一下，是否可以通过Hive来进行数据预处理（即通过Hive ETL预先对数据按照key进行聚合，或者是预先和其他表进行join），然后在Spark作业中针对的数据源就不是原来的Hive表了，而是预处理后的Hive表。此时由于数据已经预先进行过聚合或join操作了，那么在Spark作业中也就不需要使用原先的shuffle类算子执行这类操作了。

方案实现原理：这种方案从根源上解决了数据倾斜，因为彻底避免了在Spark中执行shuffle类算子，那么肯定就不会有数据倾斜的问题了。但是这里也要提醒一下大家，这种方式属于治标不治本。因为毕竟数据本身就存在分布不均匀的问题，所以Hive ETL中进行group by或者join等shuffle操作时，还是会出现数据倾斜，导致Hive ETL的速度很慢。我们只是把数据倾斜的发生提前到了Hive ETL中，避免Spark程序发生数据倾斜而已。

方案优点：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。

方案缺点：治标不治本，Hive ETL中还是会发生数据倾斜。

方案实践经验：在一些[Java][]系统与Spark结合使用的项目中，会出现Java代码频繁调用Spark作业的场景，而且对Spark作业的执行性能要求很高，就比较适合使用这种方案。将数据倾斜提前到上游的Hive ETL，每天仅执行一次，只有那一次是比较慢的，而之后每次Java调用Spark作业时，执行速度都会很快，能够提供更好的用户体验。

项目实践经验：在美团·点评的交互式用户行为分析系统中使用了这种方案，该系统主要是允许用户通过Java Web系统提交数据分析统计任务，后端通过Java提交Spark作业进行数据分析统计。要求Spark作业速度必须要快，尽量在10分钟以内，否则速度太慢，用户体验会很差。所以我们将有些Spark作业的shuffle操作提前到了Hive ETL中，从而让Spark直接使用预处理的Hive中间表，尽可能地减少Spark的shuffle操作，大幅度提升了性能，将部分作业的性能提升了6倍以上。

## 解决方案二：过滤少数导致倾斜的key ##

方案适用场景：如果发现导致倾斜的key就少数几个，而且对计算本身的影响并不大的话，那么很适合使用这种方案。比如99%的key就对应10条数据，但是只有一个key对应了100万数据，从而导致了数据倾斜。

方案实现思路：如果我们判断那少数几个数据量特别多的key，对作业的执行和计算结果不是特别重要的话，那么干脆就直接过滤掉那少数几个key。比如，在Spark SQL中可以使用where子句过滤掉这些key或者在Spark Core中对RDD执行filter算子过滤掉这些key。如果需要每次作业执行时，动态判定哪些key的数据量最多然后再进行过滤，那么可以使用sample算子对RDD进行采样，然后计算出每个key的数量，取数据量最多的key过滤掉即可。

方案实现原理：将导致数据倾斜的key给过滤掉之后，这些key就不会参与计算了，自然不可能产生数据倾斜。

方案优点：实现简单，而且效果也很好，可以完全规避掉数据倾斜。

方案缺点：适用场景不多，大多数情况下，导致倾斜的key还是很多的，并不是只有少数几个。

方案实践经验：在项目中我们也采用过这种方案解决数据倾斜。有一次发现某一天Spark作业在运行的时候突然OOM了，追查之后发现，是Hive表中的某一个key在那天数据异常，导致数据量暴增。因此就采取每次执行前先进行采样，计算出样本中数据量最大的几个key之后，直接在程序中将那些key给过滤掉。

## 解决方案三：提高shuffle操作的并行度 ##

方案适用场景：如果我们必须要对数据倾斜迎难而上，那么建议优先使用这种方案，因为这是处理数据倾斜最简单的一种方案。

方案实现思路：在对RDD执行shuffle算子时，给shuffle算子传入一个参数，比如reduceByKey(1000)，该参数就设置了这个shuffle算子执行时shuffle read task的数量。对于Spark SQL中的shuffle类语句，比如group by、join等，需要设置一个参数，即spark.sql.shuffle.partitions，该参数代表了shuffle read task的并行度，该值默认是200，对于很多场景来说都有点过小。

方案实现原理：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。举例来说，如果原本有5个key，每个key对应10条数据，这5个key都是分配给一个task的，那么这个task就要处理50条数据。而增加了shuffle read task以后，每个task就分配到一个key，即每个task就处理10条数据，那么自然每个task的执行时间都会变短了。具体原理如下图所示。

方案优点：实现起来比较简单，可以有效缓解和减轻数据倾斜的影响。

方案缺点：只是缓解了数据倾斜而已，没有彻底根除问题，根据实践经验来看，其效果有限。

方案实践经验：该方案通常无法彻底解决数据倾斜，因为如果出现一些极端情况，比如某个key对应的数据量有100万，那么无论你的task数量增加到多少，这个对应着100万数据的key肯定还是会分配到一个task中去处理，因此注定还是会发生数据倾斜的。所以这种方案只能说是在发现数据倾斜时尝试使用的第一种手段，尝试去用嘴简单的方法缓解数据倾斜而已，或者是和其他方案结合起来使用。

![shuffle-skwed-add-partition.png][]

## 解决方案四：两阶段聚合（局部聚合+全局聚合） ##

方案适用场景：对RDD执行reduceByKey等聚合类shuffle算子或者在Spark SQL中使用group by语句进行分组聚合时，比较适用这种方案。

方案实现思路：这个方案的核心实现思路就是进行两阶段聚合。第一次是局部聚合，先给每个key都打上一个随机数，比如10以内的随机数，此时原先一样的key就变成不一样的了，比如(hello, 1) (hello, 1) (hello, 1) (hello, 1)，就会变成(1\_hello, 1) (1\_hello, 1) (2\_hello, 1) (2\_hello, 1)。接着对打上随机数后的数据，执行reduceByKey等聚合操作，进行局部聚合，那么局部聚合结果，就会变成了(1\_hello, 2) (2\_hello, 2)。然后将各个key的前缀给去掉，就会变成(hello,2)(hello,2)，再次进行全局聚合操作，就可以得到最终结果了，比如(hello, 4)。

方案实现原理：将原本相同的key通过附加随机前缀的方式，变成多个不同的key，就可以让原本被一个task处理的数据分散到多个task上去做局部聚合，进而解决单个task处理数据量过多的问题。接着去除掉随机前缀，再次进行全局聚合，就可以得到最终的结果。具体原理见下图。

方案优点：对于聚合类的shuffle操作导致的数据倾斜，效果是非常不错的。通常都可以解决掉数据倾斜，或者至少是大幅度缓解数据倾斜，将Spark作业的性能提升数倍以上。

方案缺点：仅仅适用于聚合类的shuffle操作，适用范围相对较窄。如果是join类的shuffle操作，还得用其他的解决方案。

![shuffle-skwed-two-phase-aggr.png][]

**\[plain\]**  [view plain][]   [copy][view plain]

[print][view plain] [?][view plain]

1.  <span style="font-size:12px;">// 第一步，给RDD中的每个key都打上一个随机前缀。  
2.  JavaPairRDD<String, Long> randomPrefixRdd = rdd.mapToPair(  
3.          new PairFunction<Tuple2<Long,Long>, String, Long>() \{  
4.              private static final long serialVersionUID = 1L;  
5.              @Override  
6.              public Tuple2<String, Long> call(Tuple2<Long, Long> tuple)  
7.                      throws Exception \{  
8.                  Random random = new Random();  
9.                  int prefix = random.nextInt(10);  
10.                 return new Tuple2<String, Long>(prefix + "\_" + tuple.\_1, tuple.\_2);  
11.             \}  
12.         \});  
13.   
14. // 第二步，对打上随机前缀的key进行局部聚合。  
15. JavaPairRDD<String, Long> localAggrRdd = randomPrefixRdd.reduceByKey(  
16.         new Function2<Long, Long, Long>() \{  
17.             private static final long serialVersionUID = 1L;  
18.             @Override  
19.             public Long call(Long v1, Long v2) throws Exception \{  
20.                 return v1 + v2;  
21.             \}  
22.         \});  
23.   
24. // 第三步，去除RDD中每个key的随机前缀。  
25. JavaPairRDD<Long, Long> removedRandomPrefixRdd = localAggrRdd.mapToPair(  
26.         new PairFunction<Tuple2<String,Long>, Long, Long>() \{  
27.             private static final long serialVersionUID = 1L;  
28.             @Override  
29.             public Tuple2<Long, Long> call(Tuple2<String, Long> tuple)  
30.                     throws Exception \{  
31.                 long originalKey = Long.valueOf(tuple.\_1.split("\_")\[1\]);  
32.                 return new Tuple2<Long, Long>(originalKey, tuple.\_2);  
33.             \}  
34.         \});  
35.   
36. // 第四步，对去除了随机前缀的RDD进行全局聚合。  
37. JavaPairRDD<Long, Long> globalAggrRdd = removedRandomPrefixRdd.reduceByKey(  
38.         new Function2<Long, Long, Long>() \{  
39.             private static final long serialVersionUID = 1L;  
40.             @Override  
41.             public Long call(Long v1, Long v2) throws Exception \{  
42.                 return v1 + v2;  
43.             \}  
44.         \});</span>

## 解决方案五：将reduce join转为map join ##

方案适用场景：在对RDD使用join类操作，或者是在Spark SQL中使用join语句时，而且join操作中的一个RDD或表的数据量比较小（比如几百M或者一两G），比较适用此方案。

方案实现思路：不使用join算子进行连接操作，而使用Broadcast变量与map类算子实现join操作，进而完全规避掉shuffle类的操作，彻底避免数据倾斜的发生和出现。将较小RDD中的数据直接通过collect算子拉取到Driver端的内存中来，然后对其创建一个Broadcast变量；接着对另外一个RDD执行map类算子，在算子函数内，从Broadcast变量中获取较小RDD的全量数据，与当前RDD的每一条数据按照连接key进行比对，如果连接key相同的话，那么就将两个RDD的数据用你需要的方式连接起来。

方案实现原理：普通的join是会走shuffle过程的，而一旦shuffle，就相当于会将相同key的数据拉取到一个shuffle read task中再进行join，此时就是reduce join。但是如果一个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。具体原理如下图所示。

方案优点：对join操作导致的数据倾斜，效果非常好，因为根本就不会发生shuffle，也就根本不会发生数据倾斜。

方案缺点：适用场景较少，因为这个方案只适用于一个大表和一个小表的情况。毕竟我们需要将小表进行广播，此时会比较消耗内存资源，driver和每个Executor内存中都会驻留一份小RDD的全量数据。如果我们广播出去的RDD数据比较大，比如10G以上，那么就可能发生内存溢出了。因此并不适合两个都是大表的情况。

![shuffle-skwed-map-join.png][]

**\[plain\]**  [view plain][]   [copy][view plain]

[print][view plain] [?][view plain]

1.  <span style="font-size:12px;">// 首先将数据量比较小的RDD的数据，collect到Driver中来。    
2.  List<Tuple2<Long, Row>> rdd1Data = rdd1.collect()    
3.  // 然后使用Spark的广播功能，将小RDD的数据转换成广播变量，这样每个Executor就只有一份RDD的数据。    
4.  // 可以尽可能节省内存空间，并且减少网络传输性能开销。    
5.  final Broadcast<List<Tuple2<Long, Row>>> rdd1DataBroadcast = sc.broadcast(rdd1Data);    
6.      
7.  // 对另外一个RDD执行map类操作，而不再是join类操作。    
8.  JavaPairRDD<String, Tuple2<String, Row>> joinedRdd = rdd2.mapToPair(    
9.          new PairFunction<Tuple2<Long,String>, String, Tuple2<String, Row>>() \{    
10.             private static final long serialVersionUID = 1L;    
11.             @Override    
12.             public Tuple2<String, Tuple2<String, Row>> call(Tuple2<Long, String> tuple)    
13.                     throws Exception \{    
14.                 // 在算子函数中，通过广播变量，获取到本地Executor中的rdd1数据。    
15.                 List<Tuple2<Long, Row>> rdd1Data = rdd1DataBroadcast.value();    
16.                 // 可以将rdd1的数据转换为一个Map，便于后面进行join操作。    
17.                 Map<Long, Row> rdd1DataMap = new HashMap<Long, Row>();    
18.                 for(Tuple2<Long, Row> data : rdd1Data) \{    
19.                     rdd1DataMap.put(data.\_1, data.\_2);    
20.                 \}    
21.                 // 获取当前RDD数据的key以及value。    
22.                 String key = tuple.\_1;    
23.                 String value = tuple.\_2;    
24.                 // 从rdd1数据Map中，根据key获取到可以join到的数据。    
25.                 Row rdd1Value = rdd1DataMap.get(key);    
26.                 return new Tuple2<String, String>(key, new Tuple2<String, Row>(value, rdd1Value));    
27.             \}    
28.         \});    
29.     
30. // 这里得提示一下。    
31. // 上面的做法，仅仅适用于rdd1中的key没有重复，全部是唯一的场景。    
32. // 如果rdd1中有多个相同的key，那么就得用flatMap类的操作，在进行join的时候不能用map，而是得遍历rdd1所有数据进行join。    
33. // rdd2中每条数据都可能会返回多条join后的数据。</span>

## 解决方案六：采样倾斜key并分拆join操作 ##

方案适用场景：两个RDD/Hive表进行join的时候，如果数据量都比较大，无法采用“解决方案五”，那么此时可以看一下两个RDD/Hive表中的key分布情况。如果出现数据倾斜，是因为其中某一个RDD/Hive表中的少数几个key的数据量过大，而另一个RDD/Hive表中的所有key都分布比较均匀，那么采用这个解决方案是比较合适的。

方案实现思路：

*  对包含少数几个数据量过大的key的那个RDD，通过sample算子采样出一份样本来，然后统计一下每个key的数量，计算出来数据量最大的是哪几个key。
 *  然后将这几个key对应的数据从原来的RDD中拆分出来，形成一个单独的RDD，并给每个key都打上n以内的随机数作为前缀，而不会导致倾斜的大部分key形成另外一个RDD。
 *  接着将需要join的另一个RDD，也过滤出来那几个倾斜key对应的数据并形成一个单独的RDD，将每条数据膨胀成n条数据，这n条数据都按顺序附加一个0~n的前缀，不会导致倾斜的大部分key也形成另外一个RDD。
 *  再将附加了随机前缀的独立RDD与另一个膨胀n倍的独立RDD进行join，此时就可以将原先相同的key打散成n份，分散到多个task中去进行join了。
 *  而另外两个普通的RDD就照常join即可。
 *  最后将两次join的结果使用union算子合并起来即可，就是最终的join结果。

方案实现原理：对于join导致的数据倾斜，如果只是某几个key导致了倾斜，可以将少数几个key分拆成独立RDD，并附加随机前缀打散成n份去进行join，此时这几个key对应的数据就不会集中在少数几个task上，而是分散到多个task进行join了。具体原理见下图。

方案优点：对于join导致的数据倾斜，如果只是某几个key导致了倾斜，采用该方式可以用最有效的方式打散key进行join。而且只需要针对少数倾斜key对应的数据进行扩容n倍，不需要对全量数据进行扩容。避免了占用过多内存。

方案缺点：如果导致倾斜的key特别多的话，比如成千上万个key都导致数据倾斜，那么这种方式也不适合。

![shuffle-skwed-sample-expand.png][]

**\[plain\]**  [view plain][]   [copy][view plain]

[print][view plain] [?][view plain]

1.  <span style="font-size:12px;">// 首先从包含了少数几个导致数据倾斜key的rdd1中，采样10%的样本数据。    
2.  JavaPairRDD<Long, String> sampledRDD = rdd1.sample(false, 0.1);    
3.  // 对样本数据RDD统计出每个key的出现次数，并按出现次数降序排序。    
4.  // 对降序排序后的数据，取出top 1或者top 100的数据，也就是key最多的前n个数据。    
5.  // 具体取出多少个数据量最多的key，由大家自己决定，我们这里就取1个作为示范。    
6.  JavaPairRDD<Long, Long> mappedSampledRDD = sampledRDD.mapToPair(    
7.  new PairFunction<Tuple2<Long,String>, Long, Long>() \{    
8.  private static final long serialVersionUID = 1L;    
9.  @Override    
10. public Tuple2<Long, Long> call(Tuple2<Long, String> tuple)    
11. throws Exception \{    
12. return new Tuple2<Long, Long>(tuple.\_1, 1L);    
13. \}    
14. \});    
15. JavaPairRDD<Long, Long> countedSampledRDD = mappedSampledRDD.reduceByKey(    
16. new Function2<Long, Long, Long>() \{    
17. private static final long serialVersionUID = 1L;    
18. @Override    
19. public Long call(Long v1, Long v2) throws Exception \{    
20. return v1 + v2;    
21. \}    
22. \});    
23. JavaPairRDD<Long, Long> reversedSampledRDD = countedSampledRDD.mapToPair(    
24. new PairFunction<Tuple2<Long,Long>, Long, Long>() \{    
25. private static final long serialVersionUID = 1L;    
26. @Override    
27. public Tuple2<Long, Long> call(Tuple2<Long, Long> tuple)    
28. throws Exception \{    
29. return new Tuple2<Long, Long>(tuple.\_2, tuple.\_1);    
30. \}    
31. \});    
32. final Long skewedUserid = reversedSampledRDD.sortByKey(false).take(1).get(0).\_2;    
33. // 从rdd1中分拆出导致数据倾斜的key，形成独立的RDD。    
34. JavaPairRDD<Long, String> skewedRDD = rdd1.filter(    
35. new Function<Tuple2<Long,String>, Boolean>() \{    
36. private static final long serialVersionUID = 1L;    
37. @Override    
38. public Boolean call(Tuple2<Long, String> tuple) throws Exception \{    
39. return tuple.\_1.equals(skewedUserid);    
40. \}    
41. \});    
42. // 从rdd1中分拆出不导致数据倾斜的普通key，形成独立的RDD。    
43. JavaPairRDD<Long, String> commonRDD = rdd1.filter(    
44. new Function<Tuple2<Long,String>, Boolean>() \{    
45. private static final long serialVersionUID = 1L;    
46. @Override    
47. public Boolean call(Tuple2<Long, String> tuple) throws Exception \{    
48. return !tuple.\_1.equals(skewedUserid);    
49. \}    
50. \});    
51. // rdd2，就是那个所有key的分布相对较为均匀的rdd。    
52. // 这里将rdd2中，前面获取到的key对应的数据，过滤出来，分拆成单独的rdd，并对rdd中的数据使用flatMap算子都扩容100倍。    
53. // 对扩容的每条数据，都打上0～100的前缀。    
54. JavaPairRDD<String, Row> skewedRdd2 = rdd2.filter(    
55. new Function<Tuple2<Long,Row>, Boolean>() \{    
56. private static final long serialVersionUID = 1L;    
57. @Override    
58. public Boolean call(Tuple2<Long, Row> tuple) throws Exception \{    
59. return tuple.\_1.equals(skewedUserid);    
60. \}    
61. \}).flatMapToPair(new PairFlatMapFunction<Tuple2<Long,Row>, String, Row>() \{    
62. private static final long serialVersionUID = 1L;    
63. @Override    
64. public Iterable<Tuple2<String, Row>> call(    
65. Tuple2<Long, Row> tuple) throws Exception \{    
66. Random random = new Random();    
67. List<Tuple2<String, Row>> list = new ArrayList<Tuple2<String, Row>>();    
68. for(int i = 0; i < 100; i++) \{    
69. list.add(new Tuple2<String, Row>(i + "\_" + tuple.\_1, tuple.\_2));    
70. \}    
71. return list;    
72. \}    
73. \});    
74. // 将rdd1中分拆出来的导致倾斜的key的独立rdd，每条数据都打上100以内的随机前缀。    
75. // 然后将这个rdd1中分拆出来的独立rdd，与上面rdd2中分拆出来的独立rdd，进行join。    
76. JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD1 = skewedRDD.mapToPair(    
77. new PairFunction<Tuple2<Long,String>, String, String>() \{    
78. private static final long serialVersionUID = 1L;    
79. @Override    
80. public Tuple2<String, String> call(Tuple2<Long, String> tuple)    
81. throws Exception \{    
82. Random random = new Random();    
83. int prefix = random.nextInt(100);    
84. return new Tuple2<String, String>(prefix + "\_" + tuple.\_1, tuple.\_2);    
85. \}    
86. \})    
87. .join(skewedUserid2infoRDD)    
88. .mapToPair(new PairFunction<Tuple2<String,Tuple2<String,Row>>, Long, Tuple2<String, Row>>() \{    
89. private static final long serialVersionUID = 1L;    
90. @Override    
91. public Tuple2<Long, Tuple2<String, Row>> call(    
92. Tuple2<String, Tuple2<String, Row>> tuple)    
93. throws Exception \{    
94. long key = Long.valueOf(tuple.\_1.split("\_")\[1\]);    
95. return new Tuple2<Long, Tuple2<String, Row>>(key, tuple.\_2);    
96. \}    
97. \});    
98. // 将rdd1中分拆出来的包含普通key的独立rdd，直接与rdd2进行join。    
99. JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD2 = commonRDD.join(rdd2);    
100. // 将倾斜key join后的结果与普通key join后的结果，uinon起来。    
101. // 就是最终的join结果。    
102. JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD = joinedRDD1.union(joinedRDD2);</span>

## 解决方案七：使用随机前缀和扩容RDD进行join ##

方案适用场景：如果在进行join操作时，RDD中有大量的key导致数据倾斜，那么进行分拆key也没什么意义，此时就只能使用最后一种方案来解决问题了。

方案实现思路：

*  该方案的实现思路基本和“解决方案六”类似，首先查看RDD/Hive表中的数据分布情况，找到那个造成数据倾斜的RDD/Hive表，比如有多个key都对应了超过1万条数据。
 *  然后将该RDD的每条数据都打上一个n以内的随机前缀。
 *  同时对另外一个正常的RDD进行扩容，将每条数据都扩容成n条数据，扩容出来的每条数据都依次打上一个0~n的前缀。
 *  最后将两个处理后的RDD进行join即可。

方案实现原理：将原先一样的key通过附加随机前缀变成不一样的key，然后就可以将这些处理后的“不同key”分散到多个task中去处理，而不是让一个task处理大量的相同key。该方案与“解决方案六”的不同之处就在于，上一种方案是尽量只对少数倾斜key对应的数据进行特殊处理，由于处理过程需要扩容RDD，因此上一种方案扩容RDD后对内存的占用并不大；而这一种方案是针对有大量倾斜key的情况，没法将部分key拆分出来进行单独处理，因此只能对整个RDD进行数据扩容，对内存资源要求很高。

方案优点：对join类型的数据倾斜基本都可以处理，而且效果也相对比较显著，性能提升效果非常不错。

方案缺点：该方案更多的是缓解数据倾斜，而不是彻底避免数据倾斜。而且需要对整个RDD进行扩容，对内存资源要求很高。

方案实践经验：曾经开发一个数据需求的时候，发现一个join导致了数据倾斜。优化之前，作业的执行时间大约是60分钟左右；使用该方案优化之后，执行时间缩短到10分钟左右，性能提升了6倍。

**\[plain\]**  [view plain][]   [copy][view plain]

[print][view plain] [?][view plain]

1.  // 首先将其中一个key分布相对较为均匀的RDD膨胀100倍。  
2.  JavaPairRDD<String, Row> expandedRDD = rdd1.flatMapToPair(  
3.          new PairFlatMapFunction<Tuple2<Long,Row>, String, Row>() \{  
4.              private static final long serialVersionUID = 1L;  
5.              @Override  
6.              public Iterable<Tuple2<String, Row>> call(Tuple2<Long, Row> tuple)  
7.                      throws Exception \{  
8.                  List<Tuple2<String, Row>> list = new ArrayList<Tuple2<String, Row>>();  
9.                  for(int i = 0; i < 100; i++) \{  
10.                     list.add(new Tuple2<String, Row>(0 + "\_" + tuple.\_1, tuple.\_2));  
11.                 \}  
12.                 return list;  
13.             \}  
14.         \});  
15.   
16. // 其次，将另一个有数据倾斜key的RDD，每条数据都打上100以内的随机前缀。  
17. JavaPairRDD<String, String> mappedRDD = rdd2.mapToPair(  
18.         new PairFunction<Tuple2<Long,String>, String, String>() \{  
19.             private static final long serialVersionUID = 1L;  
20.             @Override  
21.             public Tuple2<String, String> call(Tuple2<Long, String> tuple)  
22.                     throws Exception \{  
23.                 Random random = new Random();  
24.                 int prefix = random.nextInt(100);  
25.                 return new Tuple2<String, String>(prefix + "\_" + tuple.\_1, tuple.\_2);  
26.             \}  
27.         \});  
28.   
29. // 将两个处理后的RDD进行join即可。  
30. JavaPairRDD<String, Tuple2<String, Row>> joinedRDD = mappedRDD.join(expandedRDD);

## 解决方案八：多种方案组合使用 ##

在实践中发现，很多情况下，如果只是处理较为简单的数据倾斜场景，那么使用上述方案中的某一种基本就可以解决。但是如果要处理一个较为复杂的数据倾斜场景，那么可能需要将多种方案组合起来使用。比如说，我们针对出现了多个数据倾斜环节的Spark作业，可以先运用解决方案一和二，预处理一部分数据，并过滤一部分数据来缓解；其次可以对某些shuffle操作提升并行度，优化其性能；最后还可以针对不同的聚合或join操作，选择一种方案来优化其性能。大家需要对这些方案的思路和原理都透彻理解之后，在实践中根据各种不同的情况，灵活运用多种方案，来解决自己的数据倾斜问题。

**本文转载自：http://tech.meituan.com/spark-tuning-basic.html (美团技术点评团队)**

[Link 1]: http://blog.csdn.net/u012102306/article/details/51322209
[Spark]: http://lib.csdn.net/base/spark
[Spark 1]: http://blog.csdn.net/u012102306/article/details/51637366
[Link 2]: http://lib.csdn.net/base/hadoop
[skwed-mech.png]: /images/20220614/bd1b8260c028471ea212a1d51e811c20.png
[shuffle-skwed-web-ui-demo.png]: /images/20220614/42e32524ec3c400a8e609bdb14e34719.png
[view plain]: http://blog.csdn.net/u012102306/article/details/51556450#
[Hive]: http://lib.csdn.net/base/hive
[Java]: http://lib.csdn.net/base/java
[shuffle-skwed-add-partition.png]: /images/20220614/6b8c6c45555c4426923ed1bda1d53587.png
[shuffle-skwed-two-phase-aggr.png]: /images/20220614/61227f04a8624e2aa4a0f082a7c577fa.png
[shuffle-skwed-map-join.png]: /images/20220614/b6740af922474e71a5d4c9d62f8f7dd5.png
[shuffle-skwed-sample-expand.png]: /images/20220614/dfadf33bf9b54f7eb4a97ac18af37c95.png