解决spark数据倾斜

By 远方时光原创，可转载，open

合作微信公众号：大数据左右手 

16年骑行到一个上坡时候，正好下着冰雹，有点累就停了下来，转身觉得风景很美，随手拍下了这张照片。累了就歇一会。

一 什么是数据倾斜

1.先回顾一下并行计算和分布式计算

并行计算：单个计算机内同时处理多个计算任务。（单机多核处理任务）

分布式计算：将计算任务分配给多台计算机或者节点处理的方式。（多机多核处理任务）

2.数据倾斜

处理海量数据时候，通过分布式计算，使用多个节点帮我们处理海量数据，假如每个节点计算资源是均匀的，那我们希望分给每个节点的数据要尽量均匀。

数据倾斜就是我们在计算数据的时候，数据的分散度不够，导致大量的数据集中到了一台或者几台机器上计算，造成数据热点问题（数据倾斜的另一种说法），这些数据的计算速度远远低于平均计算速度，导致整个计算过程过慢（木桶效应）。

形象的比方：小罗，小蒋，小万个人能力差不多，我们希望领导分活尽量均匀分给每一个人，而不是领导把大部分任务都分给小罗（数据倾斜），小罗累死干不完。

二 spark数据倾斜表现

Spark中的数据倾斜，包括Spark Streaming和Spark Sql，表现主要有下面几种：

1. Executor lost，OOM，Shuffle过程出错；
2. Driver OOM；
3. 单个Executor执行时间特别久，整体任务卡在某个阶段不能结束；
4. 正常运行的任务突然失败；

三 数据倾斜产生原因

我们以Spark和Hive的使用场景为例。

他们在做数据运算的时候会涉及到，count distinct、group by、join on等操作，这些都会触发Shuffle动作。一旦触发Shuffle，所有相同key的值就会被拉到一个或几个Reducer节点上，容易发生单点计算问题，导致数据倾斜。

​

四 解决数据倾斜思路

很多数据倾斜的问题，都可以用和平台无关的方式解决，比如更好的数据预处理，异常值的过滤等。因此，解决数据倾斜的重点在于对数据设计和业务的理解，这两个搞清楚了，数据倾斜就解决了大部分了。

1.异常key, 找到异常数据，比如key为null，业务上没用用的话过滤掉。

2.对分布不均匀的key，单独计算。

3.预聚合，减少shuffle。

4.两阶段聚合(局部聚合+全局聚合）：先对key做一层hash，先将数据随机打散让它的并行度变大，再汇集。

五 定位导致数据倾斜代码

Spark数据倾斜只会发生在shuffle过程中。常用的并且可能会触发shuffle操作的算子：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。

某个task执行特别慢的情况, 看task运行时间和数据量

首先要看的，就是数据倾斜发生在第几个stage中：

如果是用yarn-client模式提交，那么在提交的机器本地是直接可以看到log，可以在log中找到当前运行到了第几个stage；如果是用yarn-cluster模式提交，则可以通过Spark Web UI来查看当前运行到了第几个stage。都可以在Spark Web UI上深入看一下当前这个stage各个task分配的数据量，从而进一步确定是不是task分配的数据不均匀导致了数据倾斜。

task运行时间：有的task运行特别快，只需要几秒钟就可以运行完；而有的task运行特别慢，需要几分钟才能运行完，此时单从运行时间上看就已经能够确定发生数据倾斜了。

task数据量：运行时间特别短的task只需要处理几百KB的数据即可，而运行时间特别长的task需要处理几千KB的数据，处理的数据量差了10倍。此时更加能够确定是发生了数据倾斜。

某个task莫名其妙内存溢出的情况

建议直接看yarn-client模式下本地log的异常栈，或者是通过YARN查看yarn-cluster模式下的log中的异常栈。一般来说，通过异常栈信息就可以定位到你的代码中哪一行发生了内存溢出。然后在那行代码附近找找，一般也会有shuffle类算子，此时很可能就是这个算子导致了数据倾斜。

要注意的是，不能单纯靠偶然的内存溢出就判定发生了数据倾斜。因为自己编写的代码的bug，以及偶然出现的数据异常，或者资源不足，也可能会导致内存溢出。

因此还是要按照上面所讲的方法，通过Spark Web UI查看报错的那个stage的各个task的运行时间以及分配的数据量，才能确定是否是由于数据倾斜才导致了这次内存溢出。

六 查看导致数据倾斜的key分布情况

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 sampleDF: Dataset[Row] = outputStream.sample(false, 0.1)
val groupbyDF: DataFrame = sampleDF.groupBy("key").count()
groupbyDF.show()

七 数据倾斜的解决方案

提高shuffle操作的并行度

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：

你可以按照以下方式设置shuffle并行度：

// 设置shuffle并行度为200
spark.conf.set("spark.sql.shuffle.partitions", "200")
 
// 在创建DataFrame时指定shuffle并行度
val yourDataFrame = // 你的DataFrame的创建操作
val increasedShuffleDF = yourDataFrame.repartition(200)

在第一种方式中，通过`spark.conf.set`方法设置全局的shuffle并行度。在第二种方式中，使用`repartition`方法在创建DataFrame时指定shuffle并行度。根据你的数据规模和集群配置来调整并行度的具体值。增加并行度可能有助于提高性能，但也需要注意资源消耗。

方案实现原理：

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。那么自然每个task的执行时间都会变短了。

方案优缺点：

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，根据实践经验来看，其效果有限。

方案实践经验：

该方案通常无法彻底解决数据倾斜，因为如果出现一些极端情况，比如某个key对应的数据量有100万，那么无论你的task数量增加到多少，这个对应着100万数据的key肯定还是会分配到一个task中去处理，因此注定还是会发生数据倾斜的。所以这种方案只能说是在发现数据倾斜时尝试使用的第一种手段，尝试去用最简单的方法缓解数据倾斜而已。

两阶段聚合(局部聚合+全局聚合）

方案适用场景：

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：

Spark的两阶段聚合（Two-Stage Aggregation）是为了优化shuffle操作而设计的。它主要包括两个阶段：局部聚合（Map 端聚合）和全局聚合（Reduce 端聚合）。

1. 局部聚合（Map 端聚合）：
   - 在该阶段，每个分区内的数据进行本地聚合。
   - 在map阶段，每个mapper会在本地先进行局部聚合，将相同key的数据聚合在一起。
   - 减少了数据通过网络传输到reduce端的量。

2. 全局聚合（Reduce 端聚合）：
   - 在全局聚合阶段，各个分区的结果会被传输到reduce节点上。
   - 在reduce阶段，对每个key的聚合结果再进行全局的聚合，生成最终的聚合结果。

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。

方案优缺点：

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。

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，广播给其他Executor节点；

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。

方案优缺点：

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。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。