大数据开发技术：Spark数据倾斜

　　常见的数据倾斜是怎么造成的?

　　Shuffle的时候，将各个节点上相同的key拉取到某个节点的一个task进行处理，比如按照key进行聚合或join等操作，如果某个key对应的数据量特别大的话，就会发生数据倾斜现象。数据倾斜就成为了整个task运行时间的短板。

　　触发shuffle的常见算子：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。

　　要解决数据倾斜的问题，首先要定位数据倾斜发生在什么地方。

　　首先是哪个stage，直接在Web UI上看就可以，一般出现倾斜都是耗时特别长的Stage，然后查看运行耗时的task，一般是其中的某几个Task一直拖着，其他的Task早已经完成了，根据这个task，根据stage划分原理，推算出数据倾斜发生在哪个shuffle类算子上。

　　如何查看发生倾斜的RDD呢?

　　如果是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。

　　以下方法可以大概看出哪个key出现了倾斜：

　　JavaPairRDDhssData = getHssData(fs, sc, hssPath);

　　JavaPairRDDsample = hssData.sample(false, 0.1);

　　MapcountByKey = sample.countByKey();

　　出现倾斜的key有两种情况：

　　1、某个可以出现倾斜

　　2、多个key出现倾斜

　　某个Key出现倾斜解决办法：

　　通过上述方法可以知道是哪个Key出现了倾斜，所以可以先通过filter方法过滤掉倾斜的Key，把倾斜的Key和没有倾斜的Key分开处理，由于Spark运行机制，所以单独处理倾斜Key的时候就不会再出现倾斜现象。

　　上述方法只能处理特定的数据倾斜，对于实际的生产环境可能并不怎么适用，这事是解决倾斜的其中一个方法。

　　多个Key出现倾斜的解决办法：

　　原理：在倾斜Shuffle之前给每一个Key都加上一个随机前缀，然后再给加了前缀的Key进行一个Shuffle操作，在Shuffle操作后再把Key的前缀去掉。在这个过程中由于前缀的加入，会把倾斜的Key随机的分配到不同的Task。然后去掉前缀从而解决数据倾斜的问题。

　　private static JavaPairRDDrepar(

　　JavaPairRDD。Cdr) {

　　JavaPairRDDmapToPair;

　　try {

　　mapToPair = 。Cdr

　　.mapToPair(new PairFunctiontuple2, String, agg() {

　　@Override

　　public Tuple2call(Tuple2t)

　　throws Exception {

　　//产生随机前缀，随机数大小看情况决定

　　long i = (long) (Math.random() * 150);

　　//添加随机数前缀

　　return new Tuple2(i + _ + t._1, t._2);

　　}

　　}).sortByKey()//进行一个Shuffle操作打乱Key

　　//去掉随机数前缀

　　.mapToPair(new PairFunctiontuple2, String, agg() {

　　@Override

　　public Tuple2call(Tuple2t)

　　throws Exception {

　　String str = t.1.split()[0];

　　return new Tuple2(str, t._2);

　　}

　　});

　　} catch (Exception e) {

　　return null;

　　}

　　return mapToPair;

　　}

　　以上是解决RDD数据倾斜简单方法。