Flink 优化 (四) --------- 数据倾斜

妖狐艹你老母 2024-03-23 10:52 17阅读 0赞

#### 目录 ####

*  一、判断是否存在数据倾斜
 *  二、数据倾斜的解决
 *   *  1. keyBy 后的聚合操作存在数据倾斜
     *  2. keyBy 之前发生数据倾斜
     *  3. keyBy 后的窗口聚合操作存在数据倾斜

--------------------

## 一、判断是否存在数据倾斜 ##

相同 Task 的多个 Subtask 中，个别 Subtask 接收到的数据量明显大于其他Subtask 接收到的数据量，通过 Flink Web UI 可以精确地看到每个 Subtask 处理了多少数据，即可判断出 Flink 任务是否存在数据倾斜。通常，数据倾斜也会引起反压。

![在这里插入图片描述][57498ff951c143649d4e1abb9e7eb463.png]

另外，有时 Checkpoint detail 里不同 SubTask 的 State size 也是一个分析数据倾斜的有用指标。

## 二、数据倾斜的解决 ##

### 1. keyBy 后的聚合操作存在数据倾斜 ###

提交案例：

bin/flink run \
    -t yarn-per-job \
    -d \
    -p 5 \
    -Drest.flamegraph.enabled=true \
    -Dyarn.application.queue=test \
    -Djobmanager.memory.process.size=1024mb \
    -Dtaskmanager.memory.process.size=2048mb \
    -Dtaskmanager.numberOfTaskSlots=2 \
    -c com.fancy.flink.tuning.SkewDemo1 \
    /opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar \
    --local-keyby false

查看 webui：

![在这里插入图片描述][deaf8629da9143708f5c61f1b89a392b.png]

1）为什么不能直接用二次聚合来处理

Flink 是实时流处理，如果 keyby 之后的聚合操作存在数据倾斜，且没有开窗口 (没攒批) 的情况下，简单的认为使用两阶段聚合，是不能解决问题的。因为这个时候 Flink 是来一条处理一条，且向下游发送一条结果，对于原来 keyby 的维度（第二阶段聚合）来讲，数据量并没有减少，且结果重复计算（非 FlinkSQL，未使用回撤流），如下图所示：

![在这里插入图片描述][8bd66dbe077347578b7d39086152e30d.png]  
2）使用 LocalKeyBy 的思想

在 keyBy 上游算子数据发送之前，首先在上游算子的本地对数据进行聚合后，再发送到下游，使下游接收到的数据量大大减少，从而使得 keyBy 之后的聚合操作不再是任务的瓶颈。类似MapReduce 中 Combiner 的思想，但是这要求聚合操作必须是多条数据或者一批数据才能聚合，单条数据没有办法通过聚合来减少数据量。从 Flink LocalKeyBy 实现原理来讲，必然会存在一个积攒批次的过程，在上游算子中必须攒够一定的数据量，对这些数据聚合后再发送到下游。

实现方式：

➢ DataStreamAPI 需要自己写代码实现  
➢ SQL 可以指定参数，开启 miniBatch 和 LocalGlobal 功能（推荐，后续介绍）

3）DataStream API 自定义实现的案例

以计算每个 mid 出现的次数为例，keyby 之前，使用 flatMap 实现 LocalKeyby 功能

import org.apache.flink.api.common.functions.RichFlatMapFunction;
    import org.apache.flink.api.common.state.ListState;
    import org.apache.flink.api.common.state.ListStateDescriptor;
    import org.apache.flink.api.common.typeinfo.Types;
    import org.apache.flink.api.java.tuple.Tuple2;
    import org.apache.flink.runtime.state.FunctionInitializationContext;
    import org.apache.flink.runtime.state.FunctionSnapshotContext;
    import org.apache.flink.streaming.api.checkpoint.CheckpointedFunction;
    import org.apache.flink.util.Collector;
    import java.util.HashMap;
    import java.util.Map;
    import java.util.concurrent.atomic.AtomicInteger;
    public class LocalKeyByFlatMapFunc extends RichFlatMapFunction<Tuple2<String,  Long>, Tuple2<String, Long>> implements CheckpointedFunction {
        
    	//Checkpoint 时为了保证 Exactly Once，将 buffer 中的数据保存到该 ListState 中
    	private ListState<Tuple2<String, Long>> listState;
    	//本地 buffer，存放 local 端缓存的 mid 的 count 信息
    	private HashMap<String, Long> localBuffer;
    	//缓存的数据量大小，即：缓存多少数据再向下游发送
    	private int batchSize;
    	//计数器，获取当前批次接收的数据量
    	private AtomicInteger currentSize;
    	//构造器，批次大小传参
    	public LocalKeyByFlatMapFunc(int batchSize) {
        
    		this.batchSize = batchSize;
    	}
    	@Override
    	public void flatMap(Tuple2<String, Long> value, Collector<Tuple2<String, Long>> 	out) throws Exception {
        
    		// 1、将新来的数据添加到 buffer 中
    		Long count = localBuffer.getOrDefault(value, 0L);
    		localBuffer.put(value.f0, count + 1);
    		// 2、如果到达设定的批次，则将 buffer 中的数据发送到下游
    		if (currentSize.incrementAndGet() >= batchSize) {
        
    			// 2.1 遍历 Buffer 中数据，发送到下游
    			for (Map.Entry<String, Long> midAndCount : localBuffer.entrySet()) {
        
    				out.collect(Tuple2.of(midAndCount.getKey(), 
    				midAndCount.getValue()));
    			}
    			// 2.2 Buffer 清空，计数器清零
    			localBuffer.clear();
    			currentSize.set(0);
    		}
    	}
    	@Override
    	public void snapshotState(FunctionSnapshotContext context) throws Exception {
        
    		// 将 buffer 中的数据保存到状态中，来保证 Exactly Once
    		listState.clear();
    		for (Map.Entry<String, Long> midAndCount : localBuffer.entrySet()) {
        
    			listState.add(Tuple2.of(midAndCount.getKey(), midAndCount.getValue()));
    		}
    	}
    	
    	@Override
    	public void initializeState(FunctionInitializationContext context) throws Exception {
        
    		// 从状态中恢复 buffer 中的数据
    		listState = context.getOperatorStateStore().getListState(
    			new ListStateDescriptor<Tuple2<String, Long>>(
    				"localBufferState",
    				Types.TUPLE(Types.STRING, Types.LONG)
    			)
    		);
    		localBuffer = new HashMap();
    		if (context.isRestored()) {
        
    		// 从状态中恢复数据到 buffer 中
    		for (Tuple2<String, Long> midAndCount : listState.get()) {
        
    			// 如果出现 pv != 0,说明改变了并行度，ListState 中的数据会被均匀分发到新的 subtask 中
    			// 单个 subtask 恢复的状态中可能包含多个相同的 mid 的 count 数据
    			// 所以每次先取一下 buffer 的值，累加再 put
    			long count = localBuffer.getOrDefault(midAndCount.f0, 0L);
    			localBuffer.put(midAndCount.f0, count + midAndCount.f1);
    		}
    		// 从状态恢复时，默认认为 buffer 中数据量达到了 batchSize，需要向下游发
    		currentSize = new AtomicInteger(batchSize);
    		} else {
        
    			currentSize = new AtomicInteger(0);
    		}
    	}
    }

提交 localkeyby 案例：

bin/flink run \
    -t yarn-per-job \
    -d \
    -p 5 \
    -Drest.flamegraph.enabled=true \
    -Dyarn.application.queue=test \
    -Djobmanager.memory.process.size=1024mb \
    -Dtaskmanager.memory.process.size=2048mb \
    -Dtaskmanager.numberOfTaskSlots=2 \
    -c com.atguigu.flink.tuning.SkewDemo1 \
    /opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar \
    --local-keyby true

查看 webui：

![在这里插入图片描述][8d1f75e86d744473b1ab83a30e23d81a.png]  
可以看到每个 subtask 处理的数据量基本均衡，另外处理的数据量相比原先少了很多。

### 2. keyBy 之前发生数据倾斜 ###

如果 keyBy 之前就存在数据倾斜，上游算子的某些实例可能处理的数据较多，某些实例可能处理的数据较少，产生该情况可能是因为数据源的数据本身就不均匀，例如由于某些原因 Kafka 的 topic 中某些 partition 的数据量较大，某些 partition 的数据量较少对于不存在 keyBy 的 Flink 任务也会出现该情况。

这种情况，需要让 Flink 任务强制进行 shuffle。使用 shuffle、rebalance 或 rescale算子即可将数据均匀分配，从而解决数据倾斜的问题。

### 3. keyBy 后的窗口聚合操作存在数据倾斜 ###

因为使用了窗口，变成了有界数据（攒批）的处理，窗口默认是触发时才会输出一条结果发往下游，所以可以使用两阶段聚合的方式：

1）实现思路：

➢ 第一阶段聚合：key 拼接随机数前缀或后缀，进行 keyby、开窗、聚合

> 注意：聚合完不再是 WindowedStream，要获取 WindowEnd 作为窗口标记作为第二阶段分组依据，避免不同窗口的结果聚合到一起）

➢ 第二阶段聚合：按照原来的 key 及 windowEnd 作 keyby、聚合

2）提交原始案例

bin/flink run \
    -t yarn-per-job \
    -d \
    -p 5 \
    -Drest.flamegraph.enabled=true \
    -Dyarn.application.queue=test \
    -Djobmanager.memory.process.size=1024mb \
    -Dtaskmanager.memory.process.size=2048mb \
    -Dtaskmanager.numberOfTaskSlots=2 \
    -c com.atguigu.flink.tuning.SkewDemo2 \
    /opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar \
    --two-phase false

查看 WebUI：

![在这里插入图片描述][d47c490cdbf547a2828987dbb7efea9f.png]  
3）提交两阶段聚合的案例

bin/flink run \
    -t yarn-per-job \
    -d \
    -p 5 \
    -Drest.flamegraph.enabled=true \
    -Dyarn.application.queue=test \
    -Djobmanager.memory.process.size=1024mb \
    -Dtaskmanager.memory.process.size=2048mb \
    -Dtaskmanager.numberOfTaskSlots=2 \
    -c com.fancy.flink.tuning.SkewDemo2 \
    /opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar \
    --two-phase true \
    --random-num 16

查看 WebUI：可以看到第一次打散的窗口聚合，比较均匀

![在这里插入图片描述][2af5650c0e964deab825d9d862bf3e21.png]  
第二次聚合，也比较均匀：

![在这里插入图片描述][0a81d4a36e8e461bb2651c56d558fe8c.png]  
随机数范围，需要自己去测，因为 keyby 的分区器是（两次 hash\*下游并行度/最大并行度）  
SQL 写法参考：[https://zhuanlan.zhihu.com/p/197299746][https_zhuanlan.zhihu.com_p_197299746]

[57498ff951c143649d4e1abb9e7eb463.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/84316721c6764cdf83c48cb08e1ebbd7.png
[deaf8629da9143708f5c61f1b89a392b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/40c0be0dd2af4a498d0d83a85b908b3a.png
[8bd66dbe077347578b7d39086152e30d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/d94786e3f6644aa6966e8ba03f940903.png
[8d1f75e86d744473b1ab83a30e23d81a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/158d9824660b43508dd1803155ece4b5.png
[d47c490cdbf547a2828987dbb7efea9f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/b5bc0bec19e5401084af09d5621fa89e.png
[2af5650c0e964deab825d9d862bf3e21.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/fe67827496d74f038167988d5f3630c6.png
[0a81d4a36e8e461bb2651c56d558fe8c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/1cd5977dd0b3462eaae180d402f4da48.png
[https_zhuanlan.zhihu.com_p_197299746]: https://zhuanlan.zhihu.com/p/197299746