当 Spark 任务出现数据倾斜的问题时该如何处理呢？

前言

最近一位数仓同学问我，当 Spark 任务出现数据倾斜的问题时该如何处理呢？那么今天就来讲一下遇到了数据倾斜问题时处理的方式方法。

1）数据倾斜的定义

Spark 中的数据倾斜问题主要指 shuffle 过程中出现的数据倾斜问题，是由于不同的 key 对应的数据量不同导致的不同task所处理的数据量不同的问题。

2）数据倾斜的表现

Spark 作业的大部分 task 都执行迅速，一个或几个 task 执行的很慢，此时可能出现了数据倾斜，作业可以运 行，但是运行得非常慢；
Spark 作业的大部分 task 都执行迅速，但是有的 task 在运行过程中会突然报出 OOM，反复执行几次都在某一 个 task 报出 OOM 错误，此时可能出现了数据倾斜，作业无法正常运行。

上述截图中其他任务的执行速度和处理数据记录数都差不多，但第一条处理的数据量高达 15GB，近一亿数据记录，发现了数据倾斜。

3）定位数据倾斜问题

步骤一： 看数据倾斜发生在哪个 Stage