0x00 前言
邁的過去,將會海闊天空!邁不過去,就要做好準備:很可能有幾周甚至幾月都要頭疼於數據傾斜導致的各類詭異的問題。
鄭重聲明:
- 話題比較大,技術要求也比較高,筆者盡最大的能力來寫出自己的理解,寫的不對和不好的地方大家一起交流。
- 有些例子不是特別嚴謹,一些小細節對文章理解沒有影響,不要太在意。(比如我在算機器內存的時候,就不把Hadoop自身的進程算到使用內存中)
- 總的來講個人感覺寫的還是比較乾貨的。
- 先大致解釋一下什麼是數據傾斜
- 再根據幾個場景來描述一下數據傾斜產生的情況
- 詳細分析一下在Hadoop和Spark中產生數據傾斜的原因
- 如何解決(優化)數據傾斜問題?
簡單的講,數據傾斜就是我們在計算數據的時候,數據的分散度不夠,導致大量的數據集中到了一臺或者幾臺機器上計算,這些數據的計算速度遠遠低於平均計算速度,導致整個計算過程過慢。
一、關鍵字:數據傾斜
相信大部分做數據的童鞋們都會遇到數據傾斜,數據傾斜會發生在數據開發的各個環節中,比如:
- 用Hive算數據的時候reduce階段卡在99.99%
- 用SparkStreaming做實時算法時候,一直會有executor出現OOM的錯誤,但是其餘的executor內存使用率卻很低。
例子很多,這裏先隨便舉兩個,後文會詳細的說明。
二、關鍵字:千億級
爲什麼要突出這麼大數據量?先說一下筆者自己最初對數據量的理解:
這樣理解也有道理,但是比較片面,舉兩個場景來對比:
- 公司一:總用戶量1000萬,5臺64G內存的的服務器。
- 公司二:總用戶量10億,1000臺64G內存的服務器。
公司一的數據分時童鞋在做join的時候發生了數據傾斜,會導致有幾百萬用戶的相關數據集中到了一臺服務器上,幾百萬的用戶數據,說大也不大,正常字段量的數據的話64G還是能輕鬆處理掉的。
公司二的數據分時童鞋在做join的時候也發生了數據傾斜,可能會有1個億的用戶相關數據集中到了一臺機器上了(相信我,這很常見),這時候一臺機器就很難搞定了,最後會很難算出結果。
0x02 數據傾斜長什麼樣
筆者大部分的數據傾斜問題都解決了,而且也不想重新運行任務來截圖,下面會分幾個場景來描述一下數據傾斜的特徵,方便讀者辨別。
由於Hadoop和Spark是最常見的兩個計算平臺,下面就以這兩個平臺說明:
一、Hadoop中的數據傾斜
Hadoop中直接貼近用戶使用使用的時Mapreduce程序和Hive程序,雖說Hive最後也是用MR來執行(至少目前Hive內存計算並不普及),但是畢竟寫的內容邏輯區別很大,一個是程序,一個是Sql,因此這裏稍作區分。
Hadoop中的數據傾斜主要表現在、ruduce階段卡在99.99%,一直99.99%不能結束。
這裏如果詳細的看日誌或者和監控界面的話會發現:
- 有一個多幾個reduce卡住
- 各種container報錯OOM
- 讀寫的數據量極大,至少遠遠超過其它正常的reduce
經驗:Hive的數據傾斜,一般都發生在Sql中Group和On上,而且和數據邏輯綁定比較深。
二、Spark中的數據傾斜
Spark中的數據傾斜也很常見,這裏包括Spark Streaming和Spark Sql,表現主要有下面幾種:
- Executor lost,OOM,Shuffle過程出錯
- Driver OOM
- 單個Executor執行時間特別久,整體任務卡在某個階段不能結束
- 正常運行的任務突然失敗
0x03 數據傾斜的原理
一、數據傾斜產生的原因
我們以Spark和Hive的使用場景爲例。他們在做數據運算的時候會設計到,countdistinct、group by、join等操作,這些都會觸發Shuffle動作,一旦觸發,所有相同key的值就會拉到一個或幾個節點上,就容易發生單點問題。
二、萬惡的shuffle
Shuffle是一個能產生奇蹟的地方,不管是在Spark還是Hadoop中,它們的作用都是至關重要的。關於Shuffle的原理,這裏不再講述,看看Hadoop相關的論文或者文章理解一下就ok。這裏主要針對,在Shuffle如何產生了數據傾斜。
Hadoop和Spark在Shuffle過程中產生數據傾斜的原理基本類似。如下圖。
大部分數據傾斜的原理就類似於下圖,很明瞭,因爲數據分佈不均勻,導致大量的數據分配到了一個節點。
三、從數據角度來理解數據傾斜
我們舉一個例子,就說數據默認值的設計吧,假設我們有兩張表:
- user(用戶信息表):userid,register_ip
- ip(IP表):ip,register_user_cnt
兩邊其實都沒有錯的,但是一旦我們做關聯了會出現什麼情況,這個任務會在做關聯的階段,也就是sql的on的階段卡死。
四、從業務計角度來理解數據傾斜
數據往往和業務是強相關的,業務的場景直接影響到了數據的分佈。
再舉一個例子,比如就說訂單場景吧,我們在某一天在北京和上海兩個城市多了強力的推廣,結果可能是這兩個城市的訂單量增長了10000%,其餘城市的數據量不變。
然後我們要統計不同城市的訂單情況,這樣,一做group操作,可能直接就數據傾斜了。
0x04 如何解決
數據傾斜的產生是有一些討論的,解決它們也是有一些討論的,本章會先給出幾個解決數據傾斜的思路,然後對Hadoop和Spark分別給出一些解決數據傾斜的方案。
注意: 很多數據傾斜的問題,都可以用和平臺無關的方式解決,比如更好的數據預處理, 異常值的過濾等,因此筆者認爲,解決數據傾斜的重點在於對數據設計和業務的理解,這兩個搞清楚了,數據傾斜就解決了大部分了。
一、幾個思路
解決數據傾斜有這幾個思路:
- 業務邏輯,我們從業務邏輯的層面上來優化數據傾斜,比如上面的例子,我們單獨對這兩個城市來做count,最後和其它城市做整合。
- 程序層面,比如說在Hive中,經常遇到count(distinct)操作,這樣會導致最終只有一個reduce,我們可以先group 再在外面包一層count,就可以了。
- 調參方面,Hadoop和Spark都自帶了很多的參數和機制來調節數據傾斜,合理利用它們就能解決大部分問題。
很多數據傾斜都是在數據的使用上造成的。我們舉幾個場景,並分別給出它們的解決方案。
數據分佈不均勻:
前面提到的“從數據角度來理解數據傾斜”和“從業務計角度來理解數據傾斜”中的例子,其實都是數據分佈不均勻的類型,這種情況和計算平臺無關,我們能通過設計的角度嘗試解決它。
- 有損的方法: 找到異常數據,比如ip爲0的數據,過濾掉
- 無損的方法: 對分佈不均勻的數據,單獨計算
先對key做一層hash,先將數據打散讓它的並行度變大,再彙集 - 數據預處理
列出來一些方法和思路,具體的參數和用法在官網看就行了。
- map join方式
- count distinct的操作,先轉成group,再count
- 萬能膏藥:hive.groupby.skewindata=true
- left semi jioin的使用
- 設置map端輸出、中間結果壓縮。(不完全是解決數據傾斜的問題,但是減少了IO讀寫和網絡傳輸,能提高很多效率)
列出來一些方法和思路,具體的參數和用法在官網看就行了。
- mapjoin方式
- 設置rdd壓縮
- 合理設置driver的內存
- Spark Sql中的優化和Hive類似,可以參考Hive
數據傾斜的坑還是很大的,如何處理數據傾斜是一個長期的過程,希望本文的一些思路能提供幫助。
文中一些內容沒有細講,比如Hive Sql的優化,數據清洗中的各種坑,這些留待後面單獨的分享,會有很多的內容。
另外千億級別的數據還會有更多的難點,不僅僅是數據傾斜的問題,這一點在後面也會有專門的分享。
參考
- https://hive.apache.org/
- http://spark.apache.org/
- http://www.jianshu.com/p/17baa9f96ca7
- 還有網上的一些博客也提供的一些思路,不過都沒有經驗和痛帶來的感悟多。