Spark 数据倾斜调优

1.使用Hive ETL预处理数据

• 方案适用场景：如果导致数据倾斜的是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。

2.过滤少数导致倾斜的key

SampleOperator

• 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。

sample算子的使用：nameRDD.sample(false,0.75)，false代表不放回的抽样，0.75代表从整体中抽多少数据。

3.提高shuffle操作的并行度

• 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。

4.双重聚合

DoubelReduceByKey

• 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

5.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），具体看Executor的内存来广播
  （executor-memory * 0.48 0.6 * 0.8），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

6.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。

7.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。