数据倾斜七种解决方案
            使用Hive ETL预处理数据
            过滤少数导致倾斜的key – 提高shuffle操作的并行度
            加随机前缀进行双重聚合
            将reduce join转为map join
            采样分拆RDD加随机前缀和扩容RDD进行 Join
           全部Key使用随机前缀和扩容RDD进行 join

1、使用Hive ETL预处理数据
     • 方案适用场景:
                 如果导致数据倾斜的是Hive表。如果该Hive表中的数据本身很不均匀(比如某个key对应了100万数据,其他key才对应了10条数据)。
                 而且业务场景需要频繁使用Spark对Hive表,执行某个分析操作,那么比较适合使用这种技术方案。
      • 方案实现思路:
                 此时可以评估一下,是否可以通过Hive来进行数据预处理(即通过Hive ETL预先对数据按照key进行聚合,或者是预先和其他表进行join)。
                然后在Spark作业中针对的数据源就不是原来的Hive表了,而是预处理后的Hive表。
                此时由于数据已经预先进行过聚合或join操作了,那么在Spark作业中也就不需要使用原先的shuffle类算子执行这类操作了。
    • 方案实现原理:
                这种方案解决了Spark的数据倾斜,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HiveETL中,避免Spark程序发生数据倾斜而已。

2、过滤少数导致倾斜的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。
    • 方案实现思路:
                如果我们判断那少数几个数据量特别多的key,对作业的执行和计算结果不是特别重要的话,那么干脆就直接过滤掉那少数几个key。
                比如,在Spark SQL中可以使用where子句过滤掉这些key或者在Spark Core中对RDD执行filter算子过滤掉这些key。
                如果需要每次作业执行时,动态判定哪些key的数据量最多然后再进行过滤:
                        那么可以使用sample算子对RDD进行采样,然后计算出每个key的数量,取数据量最多的key过滤掉即可。
    • 方案实现原理:
                将导致数据倾斜的key给过滤掉之后,这些key就不会参与计算了,自然不可能产生数据倾斜。
                缺点是过滤的数据没有了。

3、提高shuffle操作的并行度
    • 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(func,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。
                举例来说,如果原本有5个key,每个key对应10条数据,这5个key都是分配给一个task的,那么这个task就要处理50条数据。而增加了shuffle readtask以后,每个task就分配到一个key,即每个task就处理10条数据,那么自然每个task的执行时间都会变短了。

4、加随机前缀进行双重聚合
     • 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) (word, 1),就会变成(1_hello, 1) (1_hello, 1) (2_hello, 1) (2_word, 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,这个就可以给reduceByKey指定并行度,这时
                                那么局部聚合结果,就会变成了(1_hello, 2) (2_hello, 1) (2_word, 1)。
                        然后将各个key的前缀给去掉:
                                就会变成(hello,2)(hello,2)(word, 1)。
                        再次 进行全局聚合操作,就可以得到最终结果了
                                比如(hello, 4)(word, 1)。
     • 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。

5、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,
                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。


6、采样分拆RDD加随机前缀和扩容RDD进行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:
                – 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。
                        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。
                – 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。
                – 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(join指定参数指定并行度)
                        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。
                – 而另外两个普通的RDD就照常join即可。
                – 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。

7、全部Key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:
                – 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。
                – 然后将该RDD的每条数据都打上一个n以内的随机前缀。
                – 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。
                – 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。


相关:
        Spark调优

添加新评论