大数据面试之路 (一) 数据倾斜

记录大数据面试历程

数据倾斜

 大数据岗位 ，数据倾斜面试必问的一个问题。

一、数据倾斜的表现与原因

1. 表现

   • 某个或某几个Task执行时间过长，其他Task快速完成。

   • Spark/MapReduce作业卡在某个阶段（如reduce阶段），日志显示少数Task处理大量数据。

   • 资源利用率不均衡（如CPU、内存集中在某些节点）。

2. 常见场景

   • Key分布不均：如某些Key对应的数据量极大（如用户ID为空的记录、热点事件）。

   • 数据分区策略不合理：Hash分区时Key冲突，或Range分区时范围划分不均衡。

   • 业务逻辑导致倾斜：如大表Join小表时小表广播失败，或笛卡尔积操作。

二、检测数据倾斜的方法 

1. 日志分析

   • 查看任务执行时间分布（如Spark UI的Stage详情）。

   • 检查Shuffle读写数据量（如Shuffle Read/Write Records）。

2. 抽样统计

   • 对Key进行采样，统计Top N高频Key（如用countByKey或sample）。

3. 监控工具

   • 使用Ganglia、Prometheus等监控节点资源负载。

三、通用解决方案

1. 预处理：过滤或隔离倾斜数据

• 过滤异常Key：直接删除无意义的倾斜Key（如空值、测试数据）。

• 分离热点数据：将高频Key单独处理，与非倾斜数据合并结果。

-- 示例：将热点用户的行为日志单独处理
SELECT * FROM logs WHERE user_id = 'hot_user' -- 单独处理
UNION ALL
SELECT * FROM logs WHERE user_id != 'hot_user' -- 正常处理 

 2. 调整Key分布

 增加随机前缀（Salting）：对Key添加随机数，分散数据到不同分区。

# Spark示例：对倾斜Key添加随机前缀
skewed_rdd = rdd.map(lambda x: (x[0] + "_" + str(random.randint(0, 9)), x[1])) 

 两阶段聚合：

1. 对Key加随机前缀，局部聚合；

2. 去掉前缀，全局聚合。

3. 优化Shuffle过程 

• 提高并行度：增加分区数（如spark.sql.shuffle.partitions=2000）。

• 使用Combiner：在Map端预聚合（如ReduceByKey替代GroupByKey）。

• 广播小表：在Join时，将小表广播到所有Executor，避免Shuffle。

4. 使用特定框架优化 

• Spark AQE（Adaptive Query Execution）：
  Spark 3.0+ 支持动态合并倾斜分区（spark.sql.adaptive.skewJoin.enabled=true）。

• Flink KeyBy前加盐：类似Spark的随机前缀方法。

• Hive参数调优：
  set hive.map.aggr=true; （Map端聚合）
  set hive.groupby.skewindata=true; （生成两个MR Job分散负载）。

 四、场景化解决方案

 场景1：Join操作倾斜

 方案1：将小表广播

-- Spark SQL广播Join
SELECT /*+ BROADCAST(small_table) */ * 
FROM big_table JOIN small_table ON big_table.key = small_table.key; 

 方案2：拆分倾斜Key

若大表和大表Join且某些Key倾斜：

1. 提取倾斜Key单独Join；

2. 非倾斜Key正常Join；

3. 合并结果

场景2：Group By/Aggregation倾斜 

方案：两阶段聚合（加盐与去盐 

-- 第一阶段：对Key加随机后缀，局部聚合
SELECT key || '_' || suffix AS salted_key, SUM(value) 
FROM table 
GROUP BY key || '_' || suffix;

-- 第二阶段：去除后缀，全局聚合
SELECT REPLACE(salted_key, '_*', '') AS key, SUM(sum_value) 
FROM temp_table 
GROUP BY REPLACE(salted_key, '_*', '');

 场景3：数据源倾斜

方案：调整文件分区 

• 写入数据时使用合理的分区策略（如按时间+哈希混合分区）。

• 对小文件合并，对大文件拆分。

五、预防数据倾斜的设计原则 

1. 合理选择分区键：避免选择基数低或分布不均的字段。

2. 数据预分析：ETL阶段提前统计Key分布，识别潜在倾斜。

3. 动态调整：利用AQE（自适应查询执行）等自动化优化机制。

 面试回答示例

问题：如何处理Spark作业中的数据倾斜？
回答：

1. 定位倾斜：通过Spark UI查看Stage中Task的数据量分布，找到倾斜的Key。

2. 过滤无效数据：如删除空Key或异常值。

3. 调整Key分布：对倾斜Key加随机前缀，分两阶段聚合。

4. 优化Shuffle：提高shuffle.partitions，使用广播Join。

5. 框架特性：开启Spark AQE，自动合并倾斜分区。

6. 举例：在最近的项目中，某用户行为日志的UserID存在热点，通过加盐将原本集中在1个分区的数据分散到10个分区，作业时间从2小时缩短至15分钟。

数据倾斜调优 

更多信息请参 阿里云帮助中心 

 数据倾斜调优_云原生大数据计算服务 MaxCompute(MaxCompute)-阿里云帮助中心