spark性能優化：數據傾斜調優

原創 吉阿 2018-09-04 17:06

原文鏈接

調優概述

有的時候，我們可能會遇到大數據計算中一個最棘手的問題——數據傾斜，此時Spark作業的性能會比期望差很多。數據傾斜調優，就是使用各種技術方案解決不同類型的數據傾斜問題，以保證Spark作業的性能。

數據傾斜發生時的現象

　　1、絕大多數task執行得都非常快，但個別task執行極慢。比如，總共有1000個task，997個task都在1分鐘之內執行完了，但是剩餘兩三個task卻要一兩個小時。這種情況很常見。

　　2、原本能夠正常執行的Spark作業，某天突然報出OOM（內存溢出）異常，觀察異常棧，是我們寫的業務代碼造成的。這種情況比較少見。

數據傾斜發生的原理

　　數據傾斜的原理很簡單：在進行shuffle的時候，必須將各個節點上相同的key拉取到某個節點上的一個task來進行處理，比如按照key進行聚合或join等操作。此時如果某個key對應的數據量特別大的話，就會發生數據傾斜。比如大部分key對應10條數據，但是個別key卻對應了100萬條數據，那麼大部分task可能就只會分配到10條數據，然後1秒鐘就運行完了；但是個別task可能分配到了100萬數據，要運行一兩個小時。因此，整個Spark作業的運行進度是由運行時間最長的那個task決定的。

　　因此出現數據傾斜的時候，Spark作業看起來會運行得非常緩慢，甚至可能因爲某個task處理的數據量過大導致內存溢出。

　　下圖就是一個很清晰的例子：hello這個key，在三個節點上對應了總共7條數據，這些數據都會被拉取到同一個task中進行處理；而world和you這兩個key分別纔對應1條數據，所以另外兩個task只要分別處理1條數據即可。此時第一個task的運行時間可能是另外兩個task的7倍，而整個stage的運行速度也由運行最慢的那個task所決定。

如何定位導致數據傾斜的代碼

　　數據傾斜只會發生在shuffle過程中。這裏給大家羅列一些常用的並且可能會觸發shuffle操作的算子：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。出現數據傾斜時，可能就是你的代碼中使用了這些算子中的某一個所導致的。

某個task執行特別慢的情況

　　首先要看的，就是數據傾斜發生在第幾個stage中。

　　如果是用yarn-client模式提交，那麼本地是直接可以看到log的，可以在log中找到當前運行到了第幾個stage；如果是用yarn-cluster模式提交，則可以通過Spark Web UI來查看當前運行到了第幾個stage。此外，無論是使用yarn-client模式還是yarn-cluster模式，我們都可以在Spark Web UI上深入看一下當前這個stage各個task分配的數據量，從而進一步確定是不是task分配的數據不均勻導致了數據傾斜。

　　比如下圖中，倒數第三列顯示了每個task的運行時間。明顯可以看到，有的task運行特別快，只需要幾秒鐘就可以運行完；而有的task運行特別慢，需要幾分鐘才能運行完，此時單從運行時間上看就已經能夠確定發生數據傾斜了。此外，倒數第一列顯示了每個task處理的數據量，明顯可以看到，運行時間特別短的task只需要處理幾百KB的數據即可，而運行時間特別長的task需要處理幾千KB的數據，處理的數據量差了10倍。此時更加能夠確定是發生了數據傾斜。

知道數據傾斜發生在哪一個stage之後，接着我們就需要根據stage劃分原理，推算出來發生傾斜的那個stage對應代碼中的哪一部分，這部分代碼中肯定會有一個shuffle類算子。精準推算stage與代碼的對應關係，需要對Spark的源碼有深入的理解，這裏我們可以介紹一個相對簡單實用的推算方法：只要看到Spark代碼中出現了一個shuffle類算子或者是Spark SQL的SQL語句中出現了會導致shuffle的語句（比如group by語句），那麼就可以判定，以那個地方爲界限劃分出了前後兩個stage。

　　這裏我們就以Spark最基礎的入門程序——單詞計數來舉例，如何用最簡單的方法大致推算出一個stage對應的代碼。如下示例，在整個代碼中，只有一個reduceByKey是會發生shuffle的算子，因此就可以認爲，以這個算子爲界限，會劃分出前後兩個stage。

　　1、stage0，主要是執行從textFile到map操作，以及執行shuffle write操作。shuffle write操作，我們可以簡單理解爲對pairs RDD中的數據進行分區操作，每個task處理的數據中，相同的key會寫入同一個磁盤文件內。
　　2、stage1，主要是執行從reduceByKey到collect操作，stage1的各個task一開始運行，就會首先執行shuffle read操作。執行shuffle read操作的task，會從stage0的各個task所在節點拉取屬於自己處理的那些key，然後對同一個key進行全局性的聚合或join等操作，在這裏就是對key的value值進行累加。stage1在執行完reduceByKey算子之後，就計算出了最終的wordCounts RDD，然後會執行collect算子，將所有數據拉取到Driver上，供我們遍歷和打印輸出。
[python] view plain copy
 在CODE上查看代碼片派生到我的代碼片
  1. val conf = new SparkConf()  
  2. val sc = new SparkContext(conf)  
  3.   
  4. val lines = sc.textFile("hdfs://...")  
  5. val words = lines.flatMap(_.split(" "))  
  6. val pairs = words.map((_, 1))  
  7. val wordCounts = pairs.reduceByKey(_ + _)  
  8.   
  9. wordCounts.collect().foreach(println(_))  
通過對單詞計數程序的分析，希望能夠讓大家瞭解最基本的stage劃分的原理，以及stage劃分後shuffle操作是如何在兩個stage的邊界處執行的。然後我們就知道如何快速定位出發生數據傾斜的stage對應代碼的哪一個部分了。比如我們在Spark Web UI或者本地log中發現，stage1的某幾個task執行得特別慢，判定stage1出現了數據傾斜，那麼就可以回到代碼中定位出stage1主要包括了reduceByKey這個shuffle類算子，此時基本就可以確定是由educeByKey算子導致的數據傾斜問題。比如某個單詞出現了100萬次，其他單詞纔出現10次，那麼stage1的某個task就要處理100萬數據，整個stage的速度就會被這個task拖慢。

某個task莫名其妙內存溢出的情況

　　這種情況下去定位出問題的代碼就比較容易了。我們建議直接看yarn-client模式下本地log的異常棧，或者是通過YARN查看yarn-cluster模式下的log中的異常棧。一般來說，通過異常棧信息就可以定位到你的代碼中哪一行發生了內存溢出。然後在那行代碼附近找找，一般也會有shuffle類算子，此時很可能就是這個算子導致了數據傾斜。

　　但是大家要注意的是，不能單純靠偶然的內存溢出就判定發生了數據傾斜。因爲自己編寫的代碼的bug，以及偶然出現的數據異常，也可能會導致內存溢出。因此還是要按照上面所講的方法，通過Spark Web UI查看報錯的那個stage的各個task的運行時間以及分配的數據量，才能確定是否是由於數據傾斜才導致了這次內存溢出。

查看導致數據傾斜的key的數據分佈情況

　　知道了數據傾斜發生在哪裏之後，通常需要分析一下那個執行了shuffle操作並且導致了數據傾斜的RDD/Hive表，查看一下其中key的分佈情況。這主要是爲之後選擇哪一種技術方案提供依據。針對不同的key分佈與不同的shuffle算子組合起來的各種情況，可能需要選擇不同的技術方案來解決。

　　此時根據你執行操作的情況不同，可以有很多種查看key分佈的方式：

　　1、如果是Spark SQL中的group by、join語句導致的數據傾斜，那麼就查詢一下SQL中使用的表的key分佈情況。
　　2、如果是對Spark RDD執行shuffle算子導致的數據傾斜，那麼可以在Spark作業中加入查看key分佈的代碼，比如RDD.countByKey()。然後對統計出來的各個key出現的次數，collect/take到客戶端打印一下，就可以看到key的分佈情況。

　　舉例來說，對於上面所說的單詞計數程序，如果確定了是stage1的reduceByKey算子導致了數據傾斜，那麼就應該看看進行reduceByKey操作的RDD中的key分佈情況，在這個例子中指的就是pairs RDD。如下示例，我們可以先對pairs採樣10%的樣本數據，然後使用countByKey算子統計出每個key出現的次數，最後在客戶端遍歷和打印樣本數據中各個key的出現次數。
[python] view plain copy
 在CODE上查看代碼片派生到我的代碼片
  1. val sampledPairs = pairs.sample(false, 0.1)  
  2. val sampledWordCounts = sampledPairs.countByKey()  
  3. sampledWordCounts.foreach(println(_))  

數據傾斜的解決方案

解決方案一：使用Hive ETL預處理數據

　　方案適用場景：導致數據傾斜的是Hive表。如果該Hive表中的數據本身很不均勻（比如某個key對應了100萬數據，其他key纔對應了10條數據），而且業務場景需要頻繁使用Spark對Hive表執行某個分析操作，那麼比較適合使用這種技術方案。

　　方案實現思路：此時可以評估一下，是否可以通過Hive來進行數據預處理（即通過Hive ETL預先對數據按照key進行聚合，或者是預先和其他表進行join），然後在Spark作業中針對的數據源就不是原來的Hive表了，而是預處理後的Hive表。此時由於數據已經預先進行過聚合或join操作了，那麼在Spark作業中也就不需要使用原先的shuffle類算子執行這類操作了。

　　方案實現原理：這種方案從根源上解決了數據傾斜，因爲徹底避免了在Spark中執行shuffle類算子，那麼肯定就不會有數據傾斜的問題了。但是這裏也要提醒一下大家，這種方式屬於治標不治本。因爲畢竟數據本身就存在分佈不均勻的問題，所以Hive ETL中進行group by或者join等shuffle操作時，還是會出現數據傾斜，導致Hive ETL的速度很慢。我們只是把數據傾斜的發生提前到了Hive ETL中，避免Spark程序發生數據傾斜而已。

　　方案優點：實現起來簡單便捷，效果還非常好，完全規避掉了數據傾斜，Spark作業的性能會大幅度提升。

　　方案缺點：治標不治本，Hive ETL中還是會發生數據傾斜。

　　方案實踐經驗：在一些Java系統與Spark結合使用的項目中，會出現Java代碼頻繁調用Spark作業的場景，而且對Spark作業的執行性能要求很高，就比較適合使用這種方案。將數據傾斜提前到上游的Hive ETL，每天僅執行一次，只有那一次是比較慢的，而之後每次Java調用Spark作業時，執行速度都會很快，能夠提供更好的用戶體驗。

　　項目實踐經驗：在美團·點評的交互式用戶行爲分析系統中使用了這種方案，該系統主要是允許用戶通過Java Web系統提交數據分析統計任務，後端通過Java提交Spark作業進行數據分析統計。要求Spark作業速度必須要快，儘量在10分鐘以內，否則速度太慢，用戶體驗會很差。所以我們將有些Spark作業的shuffle操作提前到了Hive ETL中，從而讓Spark直接使用預處理的Hive中間表，儘可能地減少Spark的shuffle操作，大幅度提升了性能，將部分作業的性能提升了6倍以上。

解決方案二：過濾少數導致傾斜的key

　　方案適用場景：如果發現導致傾斜的key就少數幾個，而且對計算本身的影響並不大的話，那麼很適合使用這種方案。比如99%的key就對應10條數據，但是隻有一個key對應了100萬數據，從而導致了數據傾斜。

　　方案實現思路：如果我們判斷那少數幾個數據量特別多的key，對作業的執行和計算結果不是特別重要的話，那麼幹脆就直接過濾掉那少數幾個key。比如，在Spark SQL中可以使用where子句過濾掉這些key或者在Spark Core中對RDD執行filter算子過濾掉這些key。如果需要每次作業執行時，動態判定哪些key的數據量最多然後再進行過濾，那麼可以使用sample算子對RDD進行採樣，然後計算出每個key的數量，取數據量最多的key過濾掉即可。

　　方案實現原理：將導致數據傾斜的key給過濾掉之後，這些key就不會參與計算了，自然不可能產生數據傾斜。

　　方案優點：實現簡單，而且效果也很好，可以完全規避掉數據傾斜。

　　方案缺點：適用場景不多，大多數情況下，導致傾斜的key還是很多的，並不是只有少數幾個。

　　方案實踐經驗：在項目中我們也採用過這種方案解決數據傾斜。有一次發現某一天Spark作業在運行的時候突然OOM了，追查之後發現，是Hive表中的某一個key在那天數據異常，導致數據量暴增。因此就採取每次執行前先進行採樣，計算出樣本中數據量最大的幾個key之後，直接在程序中將那些key給過濾掉。

解決方案三：提高shuffle操作的並行度

　　方案適用場景：如果我們必須要對數據傾斜迎難而上，那麼建議優先使用這種方案，因爲這是處理數據傾斜最簡單的一種方案。

　　方案實現思路：在對RDD執行shuffle算子時，給shuffle算子傳入一個參數，比如reduceByKey(1000)，該參數就設置了這個shuffle算子執行時shuffle read task的數量。對於Spark SQL中的shuffle類語句，比如group by、join等，需要設置一個參數，即spark.sql.shuffle.partitions，該參數代表了shuffle read task的並行度，該值默認是200，對於很多場景來說都有點過小。

　　方案實現原理：增加shuffle read task的數量，可以讓原本分配給一個task的多個key分配給多個task，從而讓每個task處理比原來更少的數據。舉例來說，如果原本有5個key，每個key對應10條數據，這5個key都是分配給一個task的，那麼這個task就要處理50條數據。而增加了shuffle read task以後，每個task就分配到一個key，即每個task就處理10條數據，那麼自然每個task的執行時間都會變短了。具體原理如下圖所示。

　　方案優點：實現起來比較簡單，可以有效緩解和減輕數據傾斜的影響。

　　方案缺點：只是緩解了數據傾斜而已，沒有徹底根除問題，根據實踐經驗來看，其效果有限。

　　方案實踐經驗：該方案通常無法徹底解決數據傾斜，因爲如果出現一些極端情況，比如某個key對應的數據量有100萬，那麼無論你的task數量增加到多少，這個對應着100萬數據的key肯定還是會分配到一個task中去處理，因此註定還是會發生數據傾斜的。所以這種方案只能說是在發現數據傾斜時嘗試使用的第一種手段，嘗試去用嘴簡單的方法緩解數據傾斜而已，或者是和其他方案結合起來使用。

解決方案四：兩階段聚合（局部聚合+全局聚合）

　　方案適用場景：對RDD執行reduceByKey等聚合類shuffle算子或者在Spark SQL中使用group by語句進行分組聚合時，比較適用這種方案。

　　方案實現思路：這個方案的核心實現思路就是進行兩階段聚合。第一次是局部聚合，先給每個key都打上一個隨機數，比如10以內的隨機數，此時原先一樣的key就變成不一樣的了，比如(hello, 1) (hello, 1) (hello, 1) (hello, 1)，就會變成(1_hello, 1) (1_hello, 1) (2_hello, 1) (2_hello, 1)。接着對打上隨機數後的數據，執行reduceByKey等聚合操作，進行局部聚合，那麼局部聚合結果，就會變成了(1_hello, 2) (2_hello, 2)。然後將各個key的前綴給去掉，就會變成(hello,2)(hello,2)，再次進行全局聚合操作，就可以得到最終結果了，比如(hello, 4)。

　　方案實現原理：將原本相同的key通過附加隨機前綴的方式，變成多個不同的key，就可以讓原本被一個task處理的數據分散到多個task上去做局部聚合，進而解決單個task處理數據量過多的問題。接着去除掉隨機前綴，再次進行全局聚合，就可以得到最終的結果。具體原理見下圖。

　　方案優點：對於聚合類的shuffle操作導致的數據傾斜，效果是非常不錯的。通常都可以解決掉數據傾斜，或者至少是大幅度緩解數據傾斜，將Spark作業的性能提升數倍以上。

　　方案缺點：僅僅適用於聚合類的shuffle操作，適用範圍相對較窄。如果是join類的shuffle操作，還得用其他的解決方案。

[python] view plain copy
 在CODE上查看代碼片派生到我的代碼片
  1. // 第一步，給RDD中的每個key都打上一個隨機前綴。  
  2. JavaPairRDD<String, Long> randomPrefixRdd = rdd.mapToPair(  
  3.         new PairFunction<Tuple2<Long,Long>, String, Long>() {  
  4.             private static final long serialVersionUID = 1L;  
  5.             @Override  
  6.             public Tuple2<String, Long> call(Tuple2<Long, Long> tuple)  
  7.                     throws Exception {  
  8.                 Random random = new Random();  
  9.                 int prefix = random.nextInt(10);  
  10.                 return new Tuple2<String, Long>(prefix + "_" + tuple._1, tuple._2);  
  11.             }  
  12.         });  
  13.   
  14. // 第二步，對打上隨機前綴的key進行局部聚合。  
  15. JavaPairRDD<String, Long> localAggrRdd = randomPrefixRdd.reduceByKey(  
  16.         new Function2<Long, Long, Long>() {  
  17.             private static final long serialVersionUID = 1L;  
  18.             @Override  
  19.             public Long call(Long v1, Long v2) throws Exception {  
  20.                 return v1 + v2;  
  21.             }  
  22.         });  
  23.   
  24. // 第三步，去除RDD中每個key的隨機前綴。  
  25. JavaPairRDD<Long, Long> removedRandomPrefixRdd = localAggrRdd.mapToPair(  
  26.         new PairFunction<Tuple2<String,Long>, Long, Long>() {  
  27.             private static final long serialVersionUID = 1L;  
  28.             @Override  
  29.             public Tuple2<Long, Long> call(Tuple2<String, Long> tuple)  
  30.                     throws Exception {  
  31.                 long originalKey = Long.valueOf(tuple._1.split("_")[1]);  
  32.                 return new Tuple2<Long, Long>(originalKey, tuple._2);  
  33.             }  
  34.         });  
  35.   
  36. // 第四步，對去除了隨機前綴的RDD進行全局聚合。  
  37. JavaPairRDD<Long, Long> globalAggrRdd = removedRandomPrefixRdd.reduceByKey(  
  38.         new Function2<Long, Long, Long>() {  
  39.             private static final long serialVersionUID = 1L;  
  40.             @Override  
  41.             public Long call(Long v1, Long v2) throws Exception {  
  42.                 return v1 + v2;  
  43.             }  
  44.         });  

解決方案五：將reduce join轉爲map join

　　方案適用場景：在對RDD使用join類操作，或者是在Spark SQL中使用join語句時，而且join操作中的一個RDD或表的數據量比較小（比如幾百M或者一兩G），比較適用此方案。

　　方案實現思路：不使用join算子進行連接操作，而使用Broadcast變量與map類算子實現join操作，進而完全規避掉shuffle類的操作，徹底避免數據傾斜的發生和出現。將較小RDD中的數據直接通過collect算子拉取到Driver端的內存中來，然後對其創建一個Broadcast變量；接着對另外一個RDD執行map類算子，在算子函數內，從Broadcast變量中獲取較小RDD的全量數據，與當前RDD的每一條數據按照連接key進行比對，如果連接key相同的話，那麼就將兩個RDD的數據用你需要的方式連接起來。

　　方案實現原理：普通的join是會走shuffle過程的，而一旦shuffle，就相當於會將相同key的數據拉取到一個shuffle read task中再進行join，此時就是reduce join。但是如果一個RDD是比較小的，則可以採用廣播小RDD全量數據+map算子來實現與join同樣的效果，也就是map join，此時就不會發生shuffle操作，也就不會發生數據傾斜。具體原理如下圖所示。

　　方案優點：對join操作導致的數據傾斜，效果非常好，因爲根本就不會發生shuffle，也就根本不會發生數據傾斜。

　　方案缺點：適用場景較少，因爲這個方案只適用於一個大表和一個小表的情況。畢竟我們需要將小表進行廣播，此時會比較消耗內存資源，driver和每個Executor內存中都會駐留一份小RDD的全量數據。如果我們廣播出去的RDD數據比較大，比如10G以上，那麼就可能發生內存溢出了。因此並不適合兩個都是大表的情況。

[python] view plain copy
 在CODE上查看代碼片派生到我的代碼片
  1. // 首先將數據量比較小的RDD的數據，collect到Driver中來。  
  2. List<Tuple2<Long, Row>> rdd1Data = rdd1.collect()  
  3. // 然後使用Spark的廣播功能，將小RDD的數據轉換成廣播變量，這樣每個Executor就只有一份RDD的數據。  
  4. // 可以儘可能節省內存空間，並且減少網絡傳輸性能開銷。  
  5. final Broadcast<List<Tuple2<Long, Row>>> rdd1DataBroadcast = sc.broadcast(rdd1Data);  
  6.   
  7. // 對另外一個RDD執行map類操作，而不再是join類操作。  
  8. JavaPairRDD<String, Tuple2<String, Row>> joinedRdd = rdd2.mapToPair(  
  9.         new PairFunction<Tuple2<Long,String>, String, Tuple2<String, Row>>() {  
  10.             private static final long serialVersionUID = 1L;  
  11.             @Override  
  12.             public Tuple2<String, Tuple2<String, Row>> call(Tuple2<Long, String> tuple)  
  13.                     throws Exception {  
  14.                 // 在算子函數中，通過廣播變量，獲取到本地Executor中的rdd1數據。  
  15.                 List<Tuple2<Long, Row>> rdd1Data = rdd1DataBroadcast.value();  
  16.                 // 可以將rdd1的數據轉換爲一個Map，便於後面進行join操作。  
  17.                 Map<Long, Row> rdd1DataMap = new HashMap<Long, Row>();  
  18.                 for(Tuple2<Long, Row> data : rdd1Data) {  
  19.                     rdd1DataMap.put(data._1, data._2);  
  20.                 }  
  21.                 // 獲取當前RDD數據的key以及value。  
  22.                 String key = tuple._1;  
  23.                 String value = tuple._2;  
  24.                 // 從rdd1數據Map中，根據key獲取到可以join到的數據。  
  25.                 Row rdd1Value = rdd1DataMap.get(key);  
  26.                 return new Tuple2<String, String>(key, new Tuple2<String, Row>(value, rdd1Value));  
  27.             }  
  28.         });  
  29.   
  30. // 這裏得提示一下。  
  31. // 上面的做法，僅僅適用於rdd1中的key沒有重複，全部是唯一的場景。  
  32. // 如果rdd1中有多個相同的key，那麼就得用flatMap類的操作，在進行join的時候不能用map，而是得遍歷rdd1所有數據進行join。  
  33. // rdd2中每條數據都可能會返回多條join後的數據。  

解決方案六：採樣傾斜key並分拆join操作

　　方案適用場景：兩個RDD/Hive表進行join的時候，如果數據量都比較大，無法採用“解決方案五”，那麼此時可以看一下兩個RDD/Hive表中的key分佈情況。如果出現數據傾斜，是因爲其中某一個RDD/Hive表中的少數幾個key的數據量過大，而另一個RDD/Hive表中的所有key都分佈比較均勻，那麼採用這個解決方案是比較合適的。

　　方案實現思路：

　　1、對包含少數幾個數據量過大的key的那個RDD，通過sample算子採樣出一份樣本來，然後統計一下每個key的數量，計算出來數據量最大的是哪幾個key。
　　2、然後將這幾個key對應的數據從原來的RDD中拆分出來，形成一個單獨的RDD，並給每個key都打上n以內的隨機數作爲前綴，而不會導致傾斜的大部分key形成另外一個RDD。
　　3、接着將需要join的另一個RDD，也過濾出來那幾個傾斜key對應的數據並形成一個單獨的RDD，將每條數據膨脹成n條數據，這n條數據都按順序附加一個0~n的前綴，不會導致傾斜的大部分key也形成另外一個RDD。
　　4、再將附加了隨機前綴的獨立RDD與另一個膨脹n倍的獨立RDD進行join，此時就可以將原先相同的key打散成n份，分散到多個task中去進行join了。
　　5、而另外兩個普通的RDD就照常join即可。
　　6、最後將兩次join的結果使用union算子合併起來即可，就是最終的join結果。

　　方案實現原理：對於join導致的數據傾斜，如果只是某幾個key導致了傾斜，可以將少數幾個key分拆成獨立RDD，並附加隨機前綴打散成n份去進行join，此時這幾個key對應的數據就不會集中在少數幾個task上，而是分散到多個task進行join了。具體原理見下圖。

　　方案優點：對於join導致的數據傾斜，如果只是某幾個key導致了傾斜，採用該方式可以用最有效的方式打散key進行join。而且只需要針對少數傾斜key對應的數據進行擴容n倍，不需要對全量數據進行擴容。避免了佔用過多內存。

　　方案缺點：如果導致傾斜的key特別多的話，比如成千上萬個key都導致數據傾斜，那麼這種方式也不適合。

[python] view plain copy
 在CODE上查看代碼片派生到我的代碼片
  1. // 首先從包含了少數幾個導致數據傾斜key的rdd1中，採樣10%的樣本數據。  
  2. JavaPairRDD<Long, String> sampledRDD = rdd1.sample(false, 0.1);  
  3.   
  4. // 對樣本數據RDD統計出每個key的出現次數，並按出現次數降序排序。  
  5. // 對降序排序後的數據，取出top 1或者top 100的數據，也就是key最多的前n個數據。  
  6. // 具體取出多少個數據量最多的key，由大家自己決定，我們這裏就取1個作爲示範。  
  7. JavaPairRDD<Long, Long> mappedSampledRDD = sampledRDD.mapToPair(  
  8.         new PairFunction<Tuple2<Long,String>, Long, Long>() {  
  9.             private static final long serialVersionUID = 1L;  
  10.             @Override  
  11.             public Tuple2<Long, Long> call(Tuple2<Long, String> tuple)  
  12.                     throws Exception {  
  13.                 return new Tuple2<Long, Long>(tuple._1, 1L);  
  14.             }       
  15.         });  
  16. JavaPairRDD<Long, Long> countedSampledRDD = mappedSampledRDD.reduceByKey(  
  17.         new Function2<Long, Long, Long>() {  
  18.             private static final long serialVersionUID = 1L;  
  19.             @Override  
  20.             public Long call(Long v1, Long v2) throws Exception {  
  21.                 return v1 + v2;  
  22.             }  
  23.         });  
  24. JavaPairRDD<Long, Long> reversedSampledRDD = countedSampledRDD.mapToPair(   
  25.         new PairFunction<Tuple2<Long,Long>, Long, Long>() {  
  26.             private static final long serialVersionUID = 1L;  
  27.             @Override  
  28.             public Tuple2<Long, Long> call(Tuple2<Long, Long> tuple)  
  29.                     throws Exception {  
  30.                 return new Tuple2<Long, Long>(tuple._2, tuple._1);  
  31.             }  
  32.         });  
  33. final Long skewedUserid = reversedSampledRDD.sortByKey(false).take(1).get(0)._2;  
  34.   
  35. // 從rdd1中分拆出導致數據傾斜的key，形成獨立的RDD。  
  36. JavaPairRDD<Long, String> skewedRDD = rdd1.filter(  
  37.         new Function<Tuple2<Long,String>, Boolean>() {  
  38.             private static final long serialVersionUID = 1L;  
  39.             @Override  
  40.             public Boolean call(Tuple2<Long, String> tuple) throws Exception {  
  41.                 return tuple._1.equals(skewedUserid);  
  42.             }  
  43.         });  
  44. // 從rdd1中分拆出不導致數據傾斜的普通key，形成獨立的RDD。  
  45. JavaPairRDD<Long, String> commonRDD = rdd1.filter(  
  46.         new Function<Tuple2<Long,String>, Boolean>() {  
  47.             private static final long serialVersionUID = 1L;  
  48.             @Override  
  49.             public Boolean call(Tuple2<Long, String> tuple) throws Exception {  
  50.                 return !tuple._1.equals(skewedUserid);  
  51.             }   
  52.         });  
  53.   
  54. // rdd2，就是那個所有key的分佈相對較爲均勻的rdd。  
  55. // 這裏將rdd2中，前面獲取到的key對應的數據，過濾出來，分拆成單獨的rdd，並對rdd中的數據使用flatMap算子都擴容100倍。  
  56. // 對擴容的每條數據，都打上0～100的前綴。  
  57. JavaPairRDD<String, Row> skewedRdd2 = rdd2.filter(  
  58.          new Function<Tuple2<Long,Row>, Boolean>() {  
  59.             private static final long serialVersionUID = 1L;  
  60.             @Override  
  61.             public Boolean call(Tuple2<Long, Row> tuple) throws Exception {  
  62.                 return tuple._1.equals(skewedUserid);  
  63.             }  
  64.         }).flatMapToPair(new PairFlatMapFunction<Tuple2<Long,Row>, String, Row>() {  
  65.             private static final long serialVersionUID = 1L;  
  66.             @Override  
  67.             public Iterable<Tuple2<String, Row>> call(  
  68.                     Tuple2<Long, Row> tuple) throws Exception {  
  69.                 Random random = new Random();  
  70.                 List<Tuple2<String, Row>> list = new ArrayList<Tuple2<String, Row>>();  
  71.                 for(int i = 0; i < 100; i++) {  
  72.                     list.add(new Tuple2<String, Row>(i + "_" + tuple._1, tuple._2));  
  73.                 }  
  74.                 return list;  
  75.             }  
  76.   
  77.         });  
  78.   
  79. // 將rdd1中分拆出來的導致傾斜的key的獨立rdd，每條數據都打上100以內的隨機前綴。  
  80. // 然後將這個rdd1中分拆出來的獨立rdd，與上面rdd2中分拆出來的獨立rdd，進行join。  
  81. JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD1 = skewedRDD.mapToPair(  
  82.         new PairFunction<Tuple2<Long,String>, String, String>() {  
  83.             private static final long serialVersionUID = 1L;  
  84.             @Override  
  85.             public Tuple2<String, String> call(Tuple2<Long, String> tuple)  
  86.                     throws Exception {  
  87.                 Random random = new Random();  
  88.                 int prefix = random.nextInt(100);  
  89.                 return new Tuple2<String, String>(prefix + "_" + tuple._1, tuple._2);  
  90.             }  
  91.         })  
  92.         .join(skewedUserid2infoRDD)  
  93.         .mapToPair(new PairFunction<Tuple2<String,Tuple2<String,Row>>, Long, Tuple2<String, Row>>() {  
  94.                         private static final long serialVersionUID = 1L;  
  95.                         @Override  
  96.                         public Tuple2<Long, Tuple2<String, Row>> call(  
  97.                             Tuple2<String, Tuple2<String, Row>> tuple)  
  98.                             throws Exception {  
  99.                             long key = Long.valueOf(tuple._1.split("_")[1]);  
  100.                             return new Tuple2<Long, Tuple2<String, Row>>(key, tuple._2);  
  101.                         }  
  102.                     });  
  103.   
  104. // 將rdd1中分拆出來的包含普通key的獨立rdd，直接與rdd2進行join。  
  105. JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD2 = commonRDD.join(rdd2);  
  106.   
  107. // 將傾斜key join後的結果與普通key join後的結果，uinon起來。  
  108. // 就是最終的join結果。  
  109. JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD = joinedRDD1.union(joinedRDD2);  

解決方案七：使用隨機前綴和擴容RDD進行join

　　方案適用場景：如果在進行join操作時，RDD中有大量的key導致數據傾斜，那麼進行分拆key也沒什麼意義，此時就只能使用最後一種方案來解決問題了。

　　方案實現思路：

　　1、該方案的實現思路基本和“解決方案六”類似，首先查看RDD/Hive表中的數據分佈情況，找到那個造成數據傾斜的RDD/Hive表，比如有多個key都對應了超過1萬條數據。
　　2、然後將該RDD的每條數據都打上一個n以內的隨機前綴。
　　3、同時對另外一個正常的RDD進行擴容，將每條數據都擴容成n條數據，擴容出來的每條數據都依次打上一個0~n的前綴。
　　4、最後將兩個處理後的RDD進行join即可。

　　方案實現原理：將原先一樣的key通過附加隨機前綴變成不一樣的key，然後就可以將這些處理後的“不同key”分散到多個task中去處理，而不是讓一個task處理大量的相同key。該方案與“解決方案六”的不同之處就在於，上一種方案是儘量只對少數傾斜key對應的數據進行特殊處理，由於處理過程需要擴容RDD，因此上一種方案擴容RDD後對內存的佔用並不大；而這一種方案是針對有大量傾斜key的情況，沒法將部分key拆分出來進行單獨處理，因此只能對整個RDD進行數據擴容，對內存資源要求很高。

　　方案優點：對join類型的數據傾斜基本都可以處理，而且效果也相對比較顯著，性能提升效果非常不錯。

　　方案缺點：該方案更多的是緩解數據傾斜，而不是徹底避免數據傾斜。而且需要對整個RDD進行擴容，對內存資源要求很高。

　　方案實踐經驗：曾經開發一個數據需求的時候，發現一個join導致了數據傾斜。優化之前，作業的執行時間大約是60分鐘左右；使用該方案優化之後，執行時間縮短到10分鐘左右，性能提升了6倍。
[python] view plain copy
 在CODE上查看代碼片派生到我的代碼片
  1. // 首先將其中一個key分佈相對較爲均勻的RDD膨脹100倍。  
  2. JavaPairRDD<String, Row> expandedRDD = rdd1.flatMapToPair(  
  3.         new PairFlatMapFunction<Tuple2<Long,Row>, String, Row>() {  
  4.             private static final long serialVersionUID = 1L;  
  5.             @Override  
  6.             public Iterable<Tuple2<String, Row>> call(Tuple2<Long, Row> tuple)  
  7.                     throws Exception {  
  8.                 List<Tuple2<String, Row>> list = new ArrayList<Tuple2<String, Row>>();  
  9.                 for(int i = 0; i < 100; i++) {  
  10.                     list.add(new Tuple2<String, Row>(0 + "_" + tuple._1, tuple._2));  
  11.                 }  
  12.                 return list;  
  13.             }  
  14.         });  
  15.   
  16. // 其次，將另一個有數據傾斜key的RDD，每條數據都打上100以內的隨機前綴。  
  17. JavaPairRDD<String, String> mappedRDD = rdd2.mapToPair(  
  18.         new PairFunction<Tuple2<Long,String>, String, String>() {  
  19.             private static final long serialVersionUID = 1L;  
  20.             @Override  
  21.             public Tuple2<String, String> call(Tuple2<Long, String> tuple)  
  22.                     throws Exception {  
  23.                 Random random = new Random();  
  24.                 int prefix = random.nextInt(100);  
  25.                 return new Tuple2<String, String>(prefix + "_" + tuple._1, tuple._2);  
  26.             }  
  27.         });  
  28.   
  29. // 將兩個處理後的RDD進行join即可。  
  30. JavaPairRDD<String, Tuple2<String, Row>> joinedRDD = mappedRDD.join(expandedRDD);  

解決方案八：多種方案組合使用

　　在實踐中發現，很多情況下，如果只是處理較爲簡單的數據傾斜場景，那麼使用上述方案中的某一種基本就可以解決。但是如果要處理一個較爲複雜的數據傾斜場景，那麼可能需要將多種方案組合起來使用。比如說，我們針對出現了多個數據傾斜環節的Spark作業，可以先運用解決方案一和二，預處理一部分數據，並過濾一部分數據來緩解；其次可以對某些shuffle操作提升並行度，優化其性能；最後還可以針對不同的聚合或join操作，選擇一種方案來優化其性能。大家需要對這些方案的思路和原理都透徹理解之後，在實踐中根據各種不同的情況，靈活運用多種方案，來解決自己的數據傾斜問題。


發表評論
所有評論
還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章

Spark算子：RDD行動Action操作(4)–countByKey、foreach、foreachPartition、sortBy

吉阿 2018-09-04 17:06:47

Hive--HiveQL與SQL區別

吉阿 2018-09-04 17:06:46

Hive

吉阿 2018-09-04 17:06:46