spark 数据倾斜解决方案

1. 数据倾斜的原理

在执行shuffle操作的时候，按照key，来进行values的数据的输出、拉取、和聚合的，

同一个key的values，一定是分配到一个reduce task进行处理的。

多个key对应的values,总共有90万，但是问题是，可能某个key对应了88万条数据，key-88万values，分配到了一个task上面去执行，另外俩个task，可能各分配到了1万数据，可能是数百个key,对应1万条。

 

想象一下，出现数据倾斜以后的运行情况，很糟糕，

第一个和第二个task,各分配到了1万条数据，需要10分钟，计算完毕；第一个和第二个task，可能同时在10分钟内都运行完了，第三个task要88万条，需要880分钟=14.5个小时

本来另外俩个task很快就运行完毕了（10分钟），但是由于一个拖后腿的家伙，第三个task，要14.5个小时才能运行完，就导致整个spark作业，也得14.5个小时才能运行完，

导致spark作业，跑的特别特别慢

数据倾斜一旦出现简直就是性能杀手

2. 数据倾斜的现象

spark数据倾斜有俩种表现：

1. 你的大部分task，都执行的特别特别快，刷刷刷，就执行完毕了，（你要用client模式，standalone client,yarn client，本地机器主要一执行spark-submit脚本，就会开始打印log）,

task175 finished;....

剩下几个task执行特别特别慢，前面的task，一般1s可以执行完5个，最后发现1000个task,998,99task,要执行1个小时，2个小时才能执行完毕，这是就是出现数据倾斜了，这种现象还算好，虽然慢，但是还能跑

2. 运行的时候，其他task都刷刷刷执行完了，也没特别问题，但是有的task,就是会突然间，怕，报了一个OOM,JVM Out Of Memory，内存溢出了，task failed,task lost,resubmitting task.反复执行几次都跑不懂，到了某个task就是跑不通，最后挂掉，

某个task就直接OOM,那么基本上也是因为数据倾斜了，task分配的数量是在是太大了！！！所以内存放不下，然后你的task每处理一条数据，还要创建大量的对象，内存爆掉了，出现数据倾斜了

这种就不太好，因为你的程序如果不去解决数据倾斜的问题，压根就跑不出来

3. 数据倾斜产生原因与定位

根据log去定位

出现数据倾斜的原因，基本只可能是因为发生了shuffle操作，在shuffle的过程中，出现了数据倾斜问题，因为某个，或者某些key对应的数据，远远的高于其他的key

 

1. 在自己程序里面找找，哪些地方会产生shuffle,groupByKey,countByKey,reduceByKey,join

2. 看log，log一般会报是在你的哪一行代码，导致了OOM异常，或者呢，看log,看看是执行到了第几个stage！！！通过stage来定位到代码哪里发生了数据倾斜

去找找代码那个地方，是哪个shuffle操作