数据分布

正常的数据分布理论上都是倾斜的，就是我们所说的20-80原理：80%的财富集中在20%的人手中, 80%的用户只使用20%的功能 , 20%的用户贡献了80%的访问量 , 不同的数据字段可能的数据倾斜一般有两种情况:

一种是唯一值非常少，极少数值有非常多的记录值(唯一值少于几千)

一种是唯一值比较多，这个字段的某些值有远远多于其他值的记录数，但是它的占比也小于百分之一或千分之一

数据倾斜

数据倾斜在MapReduce编程模型中十分常见，大量的相同key被partition分配到一个分区里，造成了'一个人累死,其他人闲死'的情况一个节点要承受着巨大的压力，而其他节点计算完毕后要一直等待这个忙碌的节点，拖累了整体的计算时间,。

数据倾斜发生时的现象：

绝大多数task执行得都非常快，但个别task执行的极慢。 原本能正常执行的Spark作业，某天突然爆出OOM（内存溢出）异常。观察异常栈，是我们写的业务代码造成的

数据倾斜发生的原理 :

在进行shuffle的时候，必须将各个节点上相同的Key拉取到某个节点上的一个task来进行处理，比如按照key进行聚合或者join操作。如果某个key对应的数据量特别大的话，会发生数据倾斜。比如大部分key对应的10条数据，但个别key却对应了100万条数据，那么大部分task会只分配到10条数据，而个别task可能会分配了100万数据。整个spark作业的运行进度是由运行时间最长的那个task决定的。

因此出现数据倾斜的时候，spark作业看起来会运行得非常缓慢，甚至可能因为某个task处理的数据量过大导致OOM。

解决方案增加jvm内存，这适用于第一种情况(唯一值非常少，极少数值有非常多的记录值(唯一值少于几千))，这种情况下,往往只能通过硬件的手段来进行调优，增加jvm内存可以显著的提高运行效率。增加reduce的个数，这适用于第二种情况(唯一值比较多，这个字段的某些值有远远多于其他值的记录数，但是它的占比也小于百分之一或千分之一)，这种情况下最容易造成的结果就是大量相同key被partition到一个分区,从而一个reduce执行了大量的工作,而如果我们增加了reduce的个数，这种情况相对来说会减轻很多，毕竟计算的节点多了，就算工作量还是不均匀的，那也要小很多。自定义分区,这需要用户自己继承partition类，指定分区策略，这种方式效果比较显著。重新设计key,有一种方案是在map阶段时给key加上一个随机数,有了随机数的key就不会被大量的分配到同一节点(小几率),待到reduce后再把随机数去掉即可。使用combinner合并,combinner是在map阶段,reduce之前的一个中间阶段,在这个阶段可以选择性的把大量的相同key数据先进行一个合并,可以看做是local reduce,然后再交给reduce来处理,这样做的好处很多,即减轻了map端向reduce端发送的数据量(减轻了网络带宽),也减轻了map端和reduce端中间的shuffle阶段的数据拉取数量(本地化磁盘IO速率),推荐使用这种方法。如何定位发生数据倾斜的代码 数据倾斜只会发生在shuffle中，下面是常用的可能会触发shuffle操作的算子：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。出现数据倾斜时，可能就是代码中使用了这些算子的原因 通过观察spark UI的节目定位数据倾斜发生在第几个stage中，如果是用yarn-client模式提交，那么本地是可以直接看到log的，可以在log中找到当前运行到了第几个stage;如果用yarn-cluster模式提交，可以通过Spark Web UI 来查看当前运行到了第几个stage。此外，无论是使用了yarn-client模式还是yarn-cluster模式，我们都可以在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。 根据之前学的stage的划分算法定位到极有可能发生数据倾斜的代码查看导致数据倾斜的key的分布情况 如果是Spark SQL中的group by、join语句导致的数据倾斜，那么就查询一下SQL中使用的表的key分布情况。 如果是对Spark RDD执行shuffle算子导致的数据倾斜，那么可以在Spark作业中加入查看key分布的代码，比如RDD.countByKey()。然后对统计出来的各个key出现的次数，collect/take到客户端打印一下，就可以看到key的分布情况。数据倾斜详细解决方案使用Hive ETL(提取、转换和加载) 预处理数据

使用场景

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，而且业务场景需要频繁的使用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。

思路

此时可以评估，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，然后再Spark作业中针对的数据源就是预处理后的Hive表。此时由于数据已经预先进行过聚合或者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。

原理

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。

但是因为毕竟数据本身就存在分布不均匀的问题，所以在Hive ETL中进行groubBy或者join等shuffle操作时，还是会发生数据倾斜，导致Hive ETL速度很慢。只是避免了Spark程序发生数据倾斜。

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。

过滤少数导致倾斜的key

使用场景

若发现导致倾斜的key就少数几个，并且对计算本身的影响并不大。比如99%的key对应10条数据，但只有一个key对应100万数据。

思路

若判断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那么特别重要，可以直接过滤掉那几个key。如在Spark SQL中就可以使用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的数据量最多然后过滤，可以使用sample算子对RDD进行采样，然后计算每个key的数量，取数据量最多的key过滤即可

提高shuffle操作的并行度

使用场景

若我们必须要面对数据倾斜问题，要这么使用。

思路

在对RDD执行shuffle算子时，给shuffle算子传入一个参数，如reduceByKey（1000），该参数设置了这个shuffle算子执行时shuffle read task 的数量。对于Spark SQL中的shuffle类语句，如 groupBy 、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，默认值是200。

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 read task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。

实现起来比较简单，可以有效缓解和减轻数据倾斜的影响。 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。

两阶段聚合（局部聚合+全局聚合）

使用场景

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。

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)。

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

使用场景

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（几百M或者一两G）。

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。

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mao join ，而此时不会发生shuffle操作，也就不会发生数据倾斜。

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。

采样倾斜key并分拆join操作

使用场景

两个RDD/Hive表进行join的时候，如果数据量都比较大，无法采用上第五点解决方案，那么此时可以看一下两个RDD/Hive表中key的分布情况，若出现数据倾斜，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。

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的数据量，计算出数据量最大的是哪几个key。 然后将这几个key对应数据从原来的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，也就是过滤出来的那几个倾斜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 （此时一共生存了四个RDD：两个key有倾斜的RDD，两个正常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，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。 而另外两普通的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。

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拆分为独立RDD，并附加随机前缀打散成n份去进行join，此时这几个key对于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。

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，此方法可以用最有效的方式打散key进行join，且只需要针对少数倾斜的key对应的数据进行扩容n倍，不需要对全量数据进行扩容，避免占用过多内存。

缺点

若key特别多，则不合适。

使用随机前缀和扩容RDD进行join

使用场景

若在进行join操作时，RDD中有大量的key导致数据倾斜的时候。

思路

首先查看RDD／Hive表中的数据分布情况，找到造成数据倾斜的RDD/Hive表，比如有多个key都对应了炒股哦万条数据。 然后将该RDD 的每条数据都打上一个n以内的随即前缀。 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。

原理

将原先一样的key通过附加前缀变成不一样的key，然后就看可以将这些处理后的“不同的key”分散到多个task中那个去处理，而不是让一个task去处理大量相同的key。此方法与方法六的区别在于，有大量倾斜key的情况，没法将部分key拆分出来单独处理，因此只能对整个RDD 进行数据扩容，对资源要求很高。

更多的是缓解数据倾斜，而不是彻底避免，而且需要对整个RDD进行扩容，对内存资源要求较高。