如今學習大數據開發的人不斷的增加，但是關於大數據也有不少的小夥伴不是很瞭解，本篇文章小編就和大家一塊來看一下大數據分析之大數據Spark性能調優之數據傾斜，希望可以幫到喜歡或者準備學習大數據的小夥伴們。
大數據培訓
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。2018大數據Spark性能調優之數據傾斜，扣丁學堂大數據培訓老師分享給大家。
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，數據傾斜發生的原因：
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，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。
數據傾斜只會發生在shuffle過程中 distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。
問題分析：
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。
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(Spark是根據shuffle類算子來進行stage的劃分)。
某個task莫名其妙內存溢出的情況。
看log的異常棧，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。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。
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，通常需要分析一下哪個執行了shuffle操作並且導致了數據傾斜的RDD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。
有很多種查看key分佈的方式
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。
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。
解決方案
方案一：使用Hive ETL預處理數據
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，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。
實現思路：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：Hive ETL中還是會發生數據傾斜。
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。
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。
方案二：過濾少數導致傾斜的key
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
實現思路：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
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。
方案三：提高shuffle操作的並行度
處理數據傾斜最簡單的一種方案
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。
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。
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。
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
方案四：兩階段聚合(局部聚合+全局聚合)
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。
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。
// 第一步，給RDD中的每個key都打上一個隨機前綴。
JavaPairRDD randomPrefixRdd = rdd.mapToPair(
new PairFunction, String, Long>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2 call(Tuple2 tuple)
throws Exception {
Random random = new Random();
int prefix = random.nextInt(10);
return new Tuple2(prefix + "_" + tuple._1, tuple._2);
}
});// 第二步，對打上隨機前綴的key進行局部聚合。
JavaPairRDD localAggrRdd = randomPrefixRdd.reduceByKey(
new Function2() {
private static final long serialVersionUID = 1L;
@Override
public Long call(Long v1, Long v2) throws Exception {
return v1 + v2;
}
});// 第三步，去除RDD中每個key的隨機前綴。
JavaPairRDD removedRandomPrefixRdd = localAggrRdd.mapToPair(
new PairFunction, Long, Long>() {
private static final long serialVersionUID = 1L;
@Override
public Tuple2 call(Tuple2 tuple)
throws Exception {
long originalKey = Long.valueOf(tuple._1.split("_")[1]);
return new Tuple2(originalKey, tuple._2);
}
});// 第四步，對去除了隨機前綴的RDD進行全局聚合。
JavaPairRDD globalAggrRdd = removedRandomPrefixRdd.reduceByKey(
new Function2() {
private static final long serialVersionUID = 1L;
@Override
public Long call(Long v1, Long v2) throws Exception {
return v1 + v2;
}
});
方案五：將reduce join轉爲map join
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
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
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。
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
方案六：採樣傾斜key並分拆join操作
適用場景：兩個RDD/Hive表進行join的時候，如果數據量都比較大，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
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。
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。
方案七：使用隨機前綴和擴容RDD進行join
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。
更多幹貨加小編微信：
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。
好了，關於2018大數據Spark性能調優之數據傾斜就先爲大家說到這裏，喜歡大數據想要學習的小夥伴可以觀看扣丁學堂的大數據視頻教程學習，希望大家都能學有所成!