Spark的数据倾斜和解决办法

数据倾斜的现象

1. 绝大多数的task运行的非常快，个别的task运行非常慢。
2. 正常运行的程序突然出现了OOM

---

数据倾斜发生的原理

数据倾斜的原理是在shuffle阶段产生的，在shuffle阶段，相同的key会被拉取到相同节点上的task去执行，比如join操作等等。大部分的key可能就是10万条，但是某一个key出现了100万条，所以导致大部分的key都执行完了，但是那个很多key的数据没有执行完毕，导致了task运行的特别慢，或者导致oom。

---

shuffle图解与说明

定位数据倾斜发生的位置（代码）

那些可能触发shuffle操作的算子就是可能发生数据倾斜的位置，如：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。出现数据倾斜时，可能就是你的代码中使用了这些算子中的某一个所导致的。

---

查看导致数据倾斜的key的情况

最简单的方式就是拥挤key的个数，举例来说，对于上面所说的单词计数程序，如果确定了是stage1的reduceByKey算子导致了数据倾斜，那么就应该看看进行reduceByKey操作的RDD中的key分布情况，在这个例子中指的就是pairs RDD。如下示例，我们可以先对pairs采样10%的样本数据，然后使用countByKey算子统计出每个key出现的次数，最后在客户端遍历和打印样本数据中各个key的出现次数。val sampledPairs = pairs.sample(false, 0.1)
val sampledWordCounts = sampledPairs.countByKey()
sampledWordCounts.foreach(println(_))

---

解决办法

方法一：首先使用hive进行ETL数据清洗

方案实现原理：这种方案从根源上解决了数据倾斜，因为彻底避免了在Spark中执行shuffle类算子，那么肯定就不会有数据倾斜的问题了。但是这里也要提醒一下大家，这种方式属于治标不治本。因为毕竟数据本身就存在分布不均匀的问题，所以Hive ETL中进行group by或者join等shuffle操作时，还是会出现数据倾斜，导致Hive ETL的速度很慢。我们只是把数据倾斜的发生提前到了Hive ETL中，避免Spark程序发生数据倾斜而已。
方案优点：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。
方案缺点：治标不治本，Hive ETL中还是会发生数据倾斜。

方法二：过滤少数导致数据倾斜的key

　方案适用场景：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。比如99%的key就对应10条数据，但是只有一个key对应了100万数据，从而导致了数据倾斜。 方案优点：实现简单，而且效果也很好，可以完全规避掉数据倾斜。
方案缺点：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。

方法三：提高shuffle的并行度

方案适用场景：如果我们必须要对数据倾斜迎难而上，那么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。

　　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。

方法四：两阶段聚合（局部聚合+全局聚合）

　　方案适用场景：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。

　　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)。

　　方案实现原理：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。具体原理见下图。

　　方案优点：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。

　　方案缺点：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。

方法五：将reduce join转为map join

　　方案适用场景：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。

　　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。将较小RDD中的数据直接通过collect算子拉取到Driver端的内存中来，然后对其创建一个Broadcast变量；接着对另外一个RDD执行map类算子，在算子函数内，从Broadcast变量中获取较小RDD的全量数据，与当前RDD的每一条数据按照连接key进行比对，如果连接key相同的话，那么就将两个RDD的数据用你需要的方式连接起来。

　　方案实现原理：普通的join是会走shuffle过程的，而一旦shuffle，就相当于会将相同key的数据拉取到一个shuffle read task中再进行join，此时就是reduce join。但是如果一个RDD是比较小的，则可以采用广播小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。具体原理如下图所示。

　　方案优点：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。

　　方案缺点：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。毕竟我们需要将小表进行广播，此时会比较消耗内存资源，driver和每个Executor内存中都会驻留一份小RDD的全量数据。如果我们广播出去的RDD数据比较大，比如10G以上，那么就可能发生内存溢出了。因此并不适合两个都是大表的情况。

// 首先将数据量比较小的RDD的数据，collect到Driver中来。List<Tuple2<Long, Row>> rdd1Data = rdd1.collect()// 然后使用Spark的广播功能，将小RDD的数据转换成广播变量，这样每个Executor就只有一份RDD的数据。// 可以尽可能节省内存空间，并且减少网络传输性能开销。final Broadcast<List<Tuple2<Long, Row>>> rdd1DataBroadcast = sc.broadcast(rdd1Data);// 对另外一个RDD执行map类操作，而不再是join类操作。JavaPairRDD<String, Tuple2<String, Row>> joinedRdd = rdd2.mapToPair(        new PairFunction<Tuple2<Long,String>, String, Tuple2<String, Row>>() {            private static final long serialVersionUID = 1L;            @Override            public Tuple2<String, Tuple2<String, Row>> call(Tuple2<Long, String> tuple)                    throws Exception {                // 在算子函数中，通过广播变量，获取到本地Executor中的rdd1数据。                List<Tuple2<Long, Row>> rdd1Data = rdd1DataBroadcast.value();                // 可以将rdd1的数据转换为一个Map，便于后面进行join操作。                Map<Long, Row> rdd1DataMap = new HashMap<Long, Row>();                for(Tuple2<Long, Row> data : rdd1Data) {                    rdd1DataMap.put(data._1, data._2);                }                // 获取当前RDD数据的key以及value。                String key = tuple._1;                String value = tuple._2;                // 从rdd1数据Map中，根据key获取到可以join到的数据。                Row rdd1Value = rdd1DataMap.get(key);                return new Tuple2<String, String>(key, new Tuple2<String, Row>(value, rdd1Value));            }        });// 这里得提示一下。// 上面的做法，仅仅适用于rdd1中的key没有重复，全部是唯一的场景。// 如果rdd1中有多个相同的key，那么就得用flatMap类的操作，在进行join的时候不能用map，而是得遍历rdd1所有数据进行join。// rdd2中每条数据都可能会返回多条join后的数据。

方法六：采样倾斜key并分拆join操作

　　方案适用场景：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是比较合适的。

　　方案实现思路：

　　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。

　　方案实现原理：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。具体原理见下图。

　　方案优点：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。

　　方案缺点：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。

// 首先从包含了少数几个导致数据倾斜key的rdd1中，采样10%的样本数据。JavaPairRDD<Long, String> sampledRDD = rdd1.sample(false, 0.1);// 对样本数据RDD统计出每个key的出现次数，并按出现次数降序排序。// 对降序排序后的数据，取出top 1或者top 100的数据，也就是key最多的前n个数据。// 具体取出多少个数据量最多的key，由大家自己决定，我们这里就取1个作为示范。JavaPairRDD<Long, Long> mappedSampledRDD = sampledRDD.mapToPair(        new PairFunction<Tuple2<Long,String>, Long, Long>() {            private static final long serialVersionUID = 1L;            @Override            public Tuple2<Long, Long> call(Tuple2<Long, String> tuple)                    throws Exception {                return new Tuple2<Long, Long>(tuple._1, 1L);            }             });JavaPairRDD<Long, Long> countedSampledRDD = mappedSampledRDD.reduceByKey(        new Function2<Long, Long, Long>() {            private static final long serialVersionUID = 1L;            @Override            public Long call(Long v1, Long v2) throws Exception {                return v1 + v2;            }        });JavaPairRDD<Long, Long> reversedSampledRDD = countedSampledRDD.mapToPair(         new PairFunction<Tuple2<Long,Long>, Long, Long>() {            private static final long serialVersionUID = 1L;            @Override            public Tuple2<Long, Long> call(Tuple2<Long, Long> tuple)                    throws Exception {                return new Tuple2<Long, Long>(tuple._2, tuple._1);            }        });final Long skewedUserid = reversedSampledRDD.sortByKey(false).take(1).get(0)._2;// 从rdd1中分拆出导致数据倾斜的key，形成独立的RDD。JavaPairRDD<Long, String> skewedRDD = rdd1.filter(        new Function<Tuple2<Long,String>, Boolean>() {            private static final long serialVersionUID = 1L;            @Override            public Boolean call(Tuple2<Long, String> tuple) throws Exception {                return tuple._1.equals(skewedUserid);            }        });// 从rdd1中分拆出不导致数据倾斜的普通key，形成独立的RDD。JavaPairRDD<Long, String> commonRDD = rdd1.filter(        new Function<Tuple2<Long,String>, Boolean>() {            private static final long serialVersionUID = 1L;            @Override            public Boolean call(Tuple2<Long, String> tuple) throws Exception {                return !tuple._1.equals(skewedUserid);            }         });// rdd2，就是那个所有key的分布相对较为均匀的rdd。// 这里将rdd2中，前面获取到的key对应的数据，过滤出来，分拆成单独的rdd，并对rdd中的数据使用flatMap算子都扩容100倍。// 对扩容的每条数据，都打上0～100的前缀。JavaPairRDD<String, Row> skewedRdd2 = rdd2.filter(         new Function<Tuple2<Long,Row>, Boolean>() {            private static final long serialVersionUID = 1L;            @Override            public Boolean call(Tuple2<Long, Row> tuple) throws Exception {                return tuple._1.equals(skewedUserid);            }        }).flatMapToPair(new PairFlatMapFunction<Tuple2<Long,Row>, String, Row>() {            private static final long serialVersionUID = 1L;            @Override            public Iterable<Tuple2<String, Row>> call(                    Tuple2<Long, Row> tuple) throws Exception {                Random random = new Random();                List<Tuple2<String, Row>> list = new ArrayList<Tuple2<String, Row>>();                for(int i = 0; i < 100; i++) {                    list.add(new Tuple2<String, Row>(i + "_" + tuple._1, tuple._2));                }                return list;            }        });// 将rdd1中分拆出来的导致倾斜的key的独立rdd，每条数据都打上100以内的随机前缀。// 然后将这个rdd1中分拆出来的独立rdd，与上面rdd2中分拆出来的独立rdd，进行join。JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD1 = skewedRDD.mapToPair(        new PairFunction<Tuple2<Long,String>, String, String>() {            private static final long serialVersionUID = 1L;            @Override            public Tuple2<String, String> call(Tuple2<Long, String> tuple)                    throws Exception {                Random random = new Random();                int prefix = random.nextInt(100);                return new Tuple2<String, String>(prefix + "_" + tuple._1, tuple._2);            }        })        .join(skewedUserid2infoRDD)        .mapToPair(new PairFunction<Tuple2<String,Tuple2<String,Row>>, Long, Tuple2<String, Row>>() {                        private static final long serialVersionUID = 1L;                        @Override                        public Tuple2<Long, Tuple2<String, Row>> call(                            Tuple2<String, Tuple2<String, Row>> tuple)                            throws Exception {                            long key = Long.valueOf(tuple._1.split("_")[1]);                            return new Tuple2<Long, Tuple2<String, Row>>(key, tuple._2);                        }                    });// 将rdd1中分拆出来的包含普通key的独立rdd，直接与rdd2进行join。JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD2 = commonRDD.join(rdd2);// 将倾斜key join后的结果与普通key join后的结果，uinon起来。// 就是最终的join结果。JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD = joinedRDD1.union(joinedRDD2);

方法七：使用随机前缀和扩容RDD进行join

　　方案适用场景：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。

　　方案实现思路：

　　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。

　　方案实现原理：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。该方案与“解决方案六”的不同之处就在于，上一种方案是尽量只对少数倾斜key对应的数据进行特殊处理，由于处理过程需要扩容RDD，因此上一种方案扩容RDD后对内存的占用并不大；而这一种方案是针对有大量倾斜key的情况，没法将部分key拆分出来进行单独处理，因此只能对整个RDD进行数据扩容，对内存资源要求很高。

　　方案优点：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。

　　方案缺点：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。

　　方案实践经验：曾经开发一个数据需求的时候，发现一个join导致了数据倾斜。优化之前，作业的执行时间大约是60分钟左右；使用该方案优化之后，执行时间缩短到10分钟左右，性能提升了6倍。
　　

// 首先将其中一个key分布相对较为均匀的RDD膨胀100倍。JavaPairRDD<String, Row> expandedRDD = rdd1.flatMapToPair(        new PairFlatMapFunction<Tuple2<Long,Row>, String, Row>() {            private static final long serialVersionUID = 1L;            @Override            public Iterable<Tuple2<String, Row>> call(Tuple2<Long, Row> tuple)                    throws Exception {                List<Tuple2<String, Row>> list = new ArrayList<Tuple2<String, Row>>();                for(int i = 0; i < 100; i++) {                    list.add(new Tuple2<String, Row>(0 + "_" + tuple._1, tuple._2));                }                return list;            }        });// 其次，将另一个有数据倾斜key的RDD，每条数据都打上100以内的随机前缀。JavaPairRDD<String, String> mappedRDD = rdd2.mapToPair(        new PairFunction<Tuple2<Long,String>, String, String>() {            private static final long serialVersionUID = 1L;            @Override            public Tuple2<String, String> call(Tuple2<Long, String> tuple)                    throws Exception {                Random random = new Random();                int prefix = random.nextInt(100);                return new Tuple2<String, String>(prefix + "_" + tuple._1, tuple._2);            }        });// 将两个处理后的RDD进行join即可。JavaPairRDD<String, Tuple2<String, Row>> joinedRDD = mappedRDD.join(expandedRDD);

方法八：多种方案组合使用

　　在实践中发现，很多情况下，如果只是处理较为简单的数据倾斜场景，那么使用上述方案中的某一种基本就可以解决。但是如果要处理一个较为复杂的数据倾斜场景，那么可能需要将多种方案组合起来使用。比如说，我们针对出现了多个数据倾斜环节的Spark作业，可以先运用解决方案一和二，预处理一部分数据，并过滤一部分数据来缓解；其次可以对某些shuffle操作提升并行度，优化其性能；最后还可以针对不同的聚合或join操作，选择一种方案来优化其性能。大家需要对这些方案的思路和原理都透彻理解之后，在实践中根据各种不同的情况，灵活运用多种方案，来解决自己的数据倾斜问题。