Spark性能优化-数据倾斜调优

---

Spark性能优化分为四个方面：

1、开发调优
2、资源调优
3、数据倾斜调优
4、shuffle调优

---

数据倾斜调优

1. 使用Hive ETL预处理数据
适用场景：
　　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。
实现思路：
　　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）。
实现原理：
避免了在Spark中执行shuffle类算子。
优点：
　　实现起来简单便捷，效果还非常好，完全规避掉了数据倾斜，Spark作业的性能会大幅度提升。
缺点：
　　治标不治本，Hive ETL中还是会发生数据倾斜。

2. 过滤少数导致倾斜的key
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。
实现思路：
　　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。
实现原理：
　　过滤导致数据倾斜的key，让这些key不参与计算，从而避免产生数据倾斜。
优点：
　　实现简单，而且效果也很好，可以完全规避掉数据倾斜。
缺点：
　　适用场景不多，大多数情况下，导致倾斜的key还是很多的，并不是只有少数几个。

3. 提高shuffle操作的并行度
适用场景：
　　必须要对数据倾斜问题直接处理，建议优先使用这种方案，因为这是处理数据倾斜最简单的一种方案。
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。
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，如图所示：

提高shuffle并行度

优点：
　　实现起来比较简单，可以有效缓解和减轻数据倾斜的影响。
缺点：
　　只是缓解了数据倾斜而已，没有彻底根除问题，其效果有限。

4. 两阶段聚合（局部聚合+全局聚合）
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。
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)。
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。如图所示：

分两段聚合

优点：
　　对于聚合类的shuffle操作导致的数据倾斜，效果是非常不错的。通常都可以解决掉数据倾斜，或者至少是大幅度缓解数据倾斜，将Spark作业的性能提升数倍以上。
缺点：
　　仅仅适用于聚合类的shuffle操作，适用范围相对较窄。如果是join类的shuffle操作，还得用其他的解决方案。
Scala测试代码示例：

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object Test {

  //添加0-4的随机数前缀
  def add(name:String):String ={
    return (new scala.util.Random).nextInt(5)+"_"+name
  }

  //去掉前缀
  def divide(x: (String, Int)): (String, Int) = {
    return (x._1.split("_")(1),x._2)
  }

  def main(args: Array[String]): Unit ={
    val conf = new SparkConf().setMaster("local").setAppName("wordcount")
    val sc = new SparkContext(conf)
    //读取文本文件
    val rdd = sc.textFile("iris.txt")
    //转换并添加前缀
    val rdd2 = rdd.map(_.split(",")).map(x => x(2)).map(x => (add(x),1))
    //局部聚合
    val rdd3 = rdd2.reduceByKey((x,y) => x+y)
    //去掉前缀
    val rdd4 = rdd3.map(x => divide(x))
    //全局聚合
    val rdd5 = rdd4.reduceByKey((x,y) => x+y)

    rdd.take(50).foreach(println)
    rdd2.take(50).foreach(println)
    rdd3.take(50).foreach(println)
    rdd4.take(50).foreach(println)
    rdd5.take(50).foreach(println)
  }
}

5. 将reduce join转为map join
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），比较适用此方案。
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。可以参考前文开发调优的1.4节。
实现原理：
　　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。如图所示：

Broadcast与map替代join

优点：
　　对join操作导致的数据倾斜，效果非常好，因为根本就不会发生shuffle，也就根本不会发生数据倾斜。
缺点：
　　适用场景较少，因为这个方案只适用于一个大表和一个小表的情况。

6. 采样倾斜key并分拆join操作
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比较合适。
实现思路：
　　1、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。
　　2、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。
　　3、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。
　　4、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。
　　5、而另外两个普通的RDD就照常join即可。
　　6、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。
实现原理：
　　对于join导致的数据倾斜，如果只是某几个key导致了倾斜，可以将少数几个key分拆成独立RDD，并附加随机前缀打散成n份去进行join，此时这几个key对应的数据就不会集中在少数几个task上，而是分散到多个task进行join了。如图所示：

拆分后join

优点：
　　对于join导致的数据倾斜，如果只是某几个key导致了倾斜，采用该方式可以用最有效的方式打散key进行join。而且只需要针对少数倾斜key对应的数据进行扩容n倍，不需要对全量数据进行扩容。避免了占用过多内存。
缺点：
　　如果导致倾斜的key特别多的话，比如成千上万个key都导致数据倾斜，那么这种方式也不适合。

7. 使用随机前缀和扩容RDD进行join
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。
实现思路：
　　1、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。
　　2、然后将该RDD的每条数据都打上一个n以内的随机前缀。
　　3、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。
　　4、最后将两个处理后的RDD进行join即可。
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。
优点：
　　对join类型的数据倾斜基本都可以处理，而且效果也相对比较显著，性能提升效果非常不错。
缺点：
　　该方案更多的是缓解数据倾斜，而不是彻底避免数据倾斜。而且需要对整个RDD进行扩容，对内存资源要求很高。