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。