spark调优之大rdd倾斜解决：sample采样倾斜key单独进行join

spark调优之大rdd数据倾斜解决：

ps：如果rdd有一个数据量比较小的话，是可以通过broadcast转化成mapjoin的；
如果是两个大rdd，其中倾斜的key少的话=》sample采样倾斜key单独进行join
如果是两个大rdd，其中倾斜的key多的话=》使用随机数以及扩容表进行join
**

一、当两个大rdd，其中倾斜的key少：sample采样倾斜key单独进行join

解释：

1. rdd2中key为“001”的数据非常多，导致数据倾斜，那么我们把rdd1、rdd2中的key为001的数据单独拿出来join；剩下的正常的key自己进行join，这两个join的结果最后进行union
2. 对于rdd1的key为001的数据筛选出来，每一条数据加上0、1、2、3、4的前缀，rdd1这边001的数据量变成原来的5倍！
3. 对于rdd1的key为001的数据筛选出来，每一条数据打上0-5的前缀（ps: 实际使用的时候打10好像差不多），rdd2这边001的数据量加完前缀后，条数不变的；
4. 然后两者进行join，之后将key的前缀进行删除，然后与另外的join结果进行union

    //这是正常数据量的rdd里面的“001”的数据，给它打上0-5的数，一条数据变5条数据
    var list=List[(String,String)]()
    val rdd1 = sc.parallelize(Array(("001","北京"),("001","上海")))
        .filter(x=>x._1.equals("001"))
        .flatMap(x=>{
     
        //  var list=List[(String,String)]()  list放在这两个位置都是一样的
          for(i<-0 to 4 )
          {
     list:+=(  i.toString+"_"+x._1,x._2)}
          list
        })
    rdd1.foreach(println)
    println("_"*40)


//这是产生数据倾斜的大数据量的rdd里面的倾斜key数据，给它打上0-5的随机数，还是一条数据对应一条数据
    val rdd2: RDD[(String, String)] = sc.parallelize(Array(("001","可乐"),("001","雪碧"),("001","菠萝")
      ,("001","苹果") ,("001","牛奶") ,("001","香蕉")))
      .map(x => {
     
        val p= scala.util.Random.nextInt(4).toString
        ( p+"_"+x._1,x._2)
      })

    rdd1.join(rdd2,100).map(x=>{
     (x._1.substring(2),x._2)})foreach(println)

结果：

(0_001,上海)
(1_001,上海)
(2_001,上海)
(3_001,上海)
(4_001,上海)
(0_001,北京)
(1_001,北京)
(2_001,北京)
(3_001,北京)
(4_001,北京)
________________________________________
(001,(北京,可乐))
(001,(北京,雪碧))
(001,(北京,香蕉))
(001,(上海,雪碧))
(001,(北京,菠萝))
(001,(上海,香蕉))
(001,(北京,苹果))
(001,(北京,牛奶))
(001,(上海,可乐))
(001,(上海,菠萝))
(001,(上海,苹果))
(001,(上海,牛奶))

二、两个大rdd，其中倾斜的key多的话=》使用随机数以及扩容表进行join

和上一个差不多，只是，不把数据倾斜的key拿出来单独join了；直接把原来的rdd进行操作；
这个方案是没办法彻底解决数据倾斜的，更多的，是一种对数据倾斜的缓解。
步骤：
1、选择一个RDD，要用flatMap，进行扩容，将每条数据，映射为多条数据，每个映射出来的数据，都带了一个n以内的随机数，通常来说会选择10。
2、将另外一个RDD，做普通的map映射操作，每条数据都打上一个10以内的随机数。
3、最后将两个处理后的RDD进行join操作。

局限性
1、因为你的两个RDD都很大，所以你没有办法去将某一个RDD扩的特别大，一般咱们就是10倍。
2、如果就是10倍的话，那么数据倾斜问题的确是只能说是缓解和减轻，不能说彻底解决。
sample采样倾斜key并单独进行join
将key，从另外一个RDD中过滤出的数据，可能只有一条或者几条，此时，咱们可以任意进行扩容，扩成1000倍。
将从第一个RDD中拆分出来的那个倾斜key RDD，打上1000以内的一个随机数。
这种情况下，还可以配合上，提升shuffle reduce并行度，join(rdd, 1000)。通常情况下，效果还是非常不错的。
打散成100份，甚至1000份，2000份，去进行join，那么就肯定没有数据倾斜的问题了吧。