Spark数据倾斜解决方案

今天我们来详细介绍下Spark数据倾斜

1. 单表数据倾斜

1.1 倾斜场景

某张表个别key的数据量特别大

1.2 解决方案

加盐局部聚合+去盐全局聚合，也就是所谓的两阶段聚合；这个加盐局部聚合就是在map端提前做的一个预聚合，也就是相当于MR将缓冲区的数据溢写到磁盘上的时候做的一个聚合。去盐全局聚合时shuffle之后在reduce端做的一个聚合。

2. 大表Join小表倾斜

2.1 倾斜场景

大表Join小表造成数据倾斜，且小表不是太大，默认小表是小于等于25M

2.2 解决方案

可以开启MapJoin,将小表广到Executor的内存中，直接避免shuffle的产生。

3. 大表Join大表倾斜

3.1 倾斜场景

大表Join大表造成数据倾斜，其中一张表某个key的数据量特别大，另一种那个表分布比较均匀，但是另一张表也是挺大的，我们不能粗暴的将其广播到Executor内存中。

3.2 解决方案

像这种情况造成的倾斜，首先我们要确定大表里倾斜的key有哪些，（大表为A，中表为B）然后将这些数据过滤出来，形成一张倾斜表A1，并且给倾斜的key加上随机数n，然后剩余的不倾斜的数据我们形成一张表A2；对于另一张表B,我们我们将其扩容n倍，称为B1,然后将倾斜表A1和扩容表B1进行Join，没有倾斜的A2和B进行Join，最后将两者结果进行Union起来。

4. 两表Join时空值过多倾斜

4.1 倾斜场景

两张表Join时，空值太多，造成的数据倾斜

4.2 解决方案

这里我们有两种解决方案，第一种就是给空值附上随机数，在join条件那里使用case when判断一下，加上随机数就行，第二种就是在两张表join之前，将空值数据过滤出来，join之后再union all上为空的数据。