解决spark中遇到的数据倾斜问题

一. 数据倾斜的现象

多数task执行速度较快,少数task执行时间非常长，或者等待很长时间后提示你内存不足，执行失败。

二. 数据倾斜的原因

常见于各种shuffle操作，例如reduceByKey,groupByKey,join等操作。

数据问题

1. key本身分布不均匀(包括大量的key为空)
2. key的设置不合理

spark使用问题

3. shuffle时的并发度不够
4. 计算方式有误

三. 数据倾斜的后果

1. spark中一个stage的执行时间受限于最后那个执行完的task，因此运行缓慢的任务会拖累整个程序的运行速度（分布式程序运行的速度是由最慢的那个task决定的）。
2. 过多的数据在同一个task中执行，将会把executor撑爆，造成OOM，程序终止运行。

一个理想的分布式程序：

理想的分布式程序

发生数据倾斜时，任务的执行速度由最大的那个任务决定：

发生数据倾斜

四. 数据问题造成的数据倾斜

发现数据倾斜的时候，不要急于提高executor的资源，修改参数或是修改程序，首先要检查数据本身，是否存在异常数据。

找出异常的key

如果任务长时间卡在最后最后1个(几个)任务，首先要对key进行抽样分析，判断是哪些key造成的。

选取key，对数据进行抽样，统计出现的次数，根据出现次数大小排序取出前几个

df.select("key").sample(false,0.1).(k=>(k,1)).reduceBykey(_+_).map(k=>(k._2,k._1)).sortByKey(false).take(10)

如果发现多数数据分布都较为平均，而个别数据比其他数据大上若干个数量级，则说明发生了数据倾斜。

经过分析，倾斜的数据主要有以下三种情况:

1. null（空值）或是一些无意义的信息()之类的,大多是这个原因引起。
2. 无效数据，大量重复的测试数据或是对结果影响不大的有效数据。
3. 有效数据，业务导致的正常数据分布。

解决办法

第1，2种情况，直接对数据进行过滤即可。

第3种情况则需要进行一些特殊操作，常见的有以下几种做法。

1. 隔离执行，将异常的key过滤出来单独处理，最后与正常数据的处理结果进行union操作。
2. 对key先添加随机值，进行操作后，去掉随机值，再进行一次操作。
3. 使用reduceByKey 代替 groupByKey
4. 使用map join。

举例：

如果使用reduceByKey因为数据倾斜造成运行失败的问题。具体操作如下：

1. 将原始的 key 转化为 key + 随机值(例如Random.nextInt)
2. 对数据进行 reduceByKey(func)
3. 将 key + 随机值 转成 key
4. 再对数据进行 reduceByKey(func)

tip1: 如果此时依旧存在问题，建议筛选出倾斜的数据单独处理。最后将这份数据与正常的数据进行union即可。

tips2: 单独处理异常数据时，可以配合使用Map Join解决。

五. spark使用不当造成的数据倾斜

1. 提高shuffle并行度

dataFrame和sparkSql可以设置spark.sql.shuffle.partitions参数控制shuffle的并发度，默认为200。
rdd操作可以设置spark.default.parallelism控制并发度，默认参数由不同的Cluster Manager控制。

局限性: 只是让每个task执行更少的不同的key。无法解决个别key特别大的情况造成的倾斜，如果某些key的大小非常大，即使一个task单独执行它，也会受到数据倾斜的困扰。

2. 使用map join 代替reduce join

在小表不是特别大(取决于你的executor大小)的情况下使用，可以使程序避免shuffle的过程，自然也就没有数据倾斜的困扰了。

局限性: 因为是先将小数据发送到每个executor上，所以数据量不能太大。

具体使用方法和处理流程参照:

Spark map-side-join 关联优化

spark join broadcast优化