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：
JavaPairRDD hssData = getHssData(fs, sc, hssPath);
JavaPairRDD sample = hssData.sample(false, 0.1);
Map countByKey = 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 JavaPairRDD repar(
JavaPairRDD 。Cdr) {
JavaPairRDD mapToPair;
try {
mapToPair = 。Cdr
.mapToPair(new PairFunction, String, agg>() {
@Override
public Tuple2 call(Tuple2 t)
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 PairFunction, String, agg>() {
@Override
public Tuple2 call(Tuple2 t)
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。