Spark数据倾斜处理思路

bugcode大约 25 分钟

Spark数据倾斜处理思路

1、spark任务数据倾斜现象

判断spark任务是否发生数据倾斜有以下几种：

大多数task执行得都非常快，但个别task执行极慢。比如，总共有1000个task，997个task都在1分钟之内执行完了，但是剩余两三个task却要一两个小时，这表明执行时间慢的任务分配了很多数据，导致执行拖慢整个作业的执行速度。
原本能够正常执行的Spark作业，某天突然报出OOM（内存溢出）异常，观察异常栈，可能是某一个task拉取了过多的数据量导致发生内存溢出。
从spark webui上面观看Executor，发现大多数task都是在某一个Executor上执行，而其他的Executor上并没有跑task任务，这说明数据都被发送到一台Executor执行，发生数据倾斜。
从spark webui上看执行时间比比较长的stage，然后查看stage中matex矩阵的百分位数分布情况，如果前50，75都没有执行，接近100%的时候任务全部执行完，说明发生数据倾斜，这也很好理解，当执行到100%才有数据，说明前50%，75%阶段都没有task执行，而只有一个task在执行，这个task拖慢了作业的执行，必然市因为数据量过大导致的。

综合以上几种方法，很容易判断spark job执行过程中是否发生数据倾斜。

2、什么情况下发生数据倾斜

数据本身分布不均匀：

通常我们批处理读取的数据市hive表或者直接从数据库同步到ods的原始表，数据本身可能分布不均匀，比如金融行业中债券订单流水表，债券行情报价流水表，或者互联网项目中一些热key等都会导致数据分布不均匀，从而在数据源处已经发生数据倾斜。

数据源分区策略不均匀：

通常数据源是hive表，是按照天的粒度进行分区，但是如果分区力度太大，比如按照省，市等划分，就可能导致分区不均匀，每个分区的数据量也发生不均衡，二spark读取数据市按照hive的分区读取，那么自然读取进来的数据也不均匀，从而发生数据倾斜。

spark分区策略不充分：

Spark中的分区默认市按照数据的key取hash值进行分区，如果 key设置的不合理，回导致大量的数据被发送到一个分区中，进而导致数据倾斜。

Join：连接操作

执行连接操作时，如果被连接的数据集中的键分布不均匀，可能会导致倾斜。在大型数据集与小型数据集通过非唯一键连接的情况下，这一点尤其突出。

GroupBy 操作 与连接操作类似，当某些键比其他键具有更多值时，GroupBy 操作也会导致数据倾斜。

使用shuffle类算子

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join等操作。此时如果某个key对应的数据量特别大的话，那么这些数据就会被拉去到同一个task执行，就会发生数据倾斜。比如大部分key对应10条数据，但是个别key却对应了100万条数据，那么大部分task可能就只会分配到10条数据，然后1秒钟就运行完了；但是个别task可能分配到了100万数据，要运行一两个小时。因此，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内存溢出。

下图表示发生数据倾斜时每个task上数据的分布情况，hello这个key，在三个节点上对应了总共7条数据，这些数据都会被拉取到同一个task中进行处理；而world和you这两个key分别才对应1条数据，所以另外两个task只要分别处理1条数据即可。此时第一个task的运行时间可能是另外两个task的7倍，而整个stage的运行速度也由运行最慢的那个task所决定。

4、如何定位导致数据倾斜的代码

一个spark application提交后遇到一个Action算子就会生成一个job执行；根据RDD之间的依赖关系分为宽依赖和窄依赖，遇到一个宽依赖就会分为一个stage，Stage是一个TaskSet，将Stage划分的结果发送到不同的Executor执行即为一个Task。注意：Application->Job->Stage->Task每一层都是1对n的关系，通常设置的分区个数就是task并行度的个数。一个application到task的关系可以如下图表示：

所以我们在通过spark webui定位数据倾斜发生位置时有几个关注点，job，stage和task，分别从webui上定位执行时间比较长的job,stage和task，然后通过具体的task定位到代码中发生数据倾斜的位置。

在做数据开发过程中，数据倾斜一般市发生在shuffle过程中，而spark中有写算子会发生shuffle行为，所以我们在定位代码过程中，重点关注发生数据倾斜的算子即可。

这里给大家罗列一些常用的并且可能会触发shuffle操作的算子：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。出现数据倾斜时，可能就是你的代码中使用了这些算子中的某一个所导致的。

5、数据倾斜的解决方案

5.1、使用 Hive ETL 预处理数据

方案适用场景：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（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，那么肯定就不会有数据倾斜的问题了。但是这里也要提醒一下大家，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Hive ETL中，避免Spark程序发生数据倾斜而已。

方案优点：实现起来简单便捷，效果还非常好，完全规避掉了数据倾斜，Spark作业的性能会大幅度提升。

方案缺点：治标不治本，Hive ETL中还是会发生数据倾斜。

方案实践经验：在一些Java系统与Spark结合使用的项目中，会出现Java代码频繁调用Spark作业的场景，而且对Spark作业的执行性能要求很高，就比较适合使用这种方案。将数据倾斜提前到上游的Hive ETL，每天仅执行一次，只有那一次是比较慢的，而之后每次Java调用Spark作业时，执行速度都会很快，能够提供更好的用户体验。

项目实践经验：在美团·点评的交互式用户行为分析系统中使用了这种方案，该系统主要是允许用户通过Java Web系统提交数据分析统计任务，后端通过Java提交Spark作业进行数据分析统计。要求Spark作业速度必须要快，尽量在10分钟以内，否则速度太慢，用户体验会很差。所以我们将有些Spark作业的shuffle操作提前到了Hive ETL中，从而让Spark直接使用预处理的Hive中间表，尽可能地减少Spark的shuffle操作，大幅度提升了性能，将部分作业的性能提升了6倍以上。

5.2、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。

方案优点：实现简单，而且效果也很好，可以完全规避掉数据倾斜。

方案缺点：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。

方案实践经验：在项目中我们也采用过这种方案解决数据倾斜。有一次发现某一天Spark作业在运行的时候突然OOM了，追查之后发现，是Hive表中的某一个key在那天数据异常，导致数据量暴增。因此就采取每次执行前先进行采样，计算出样本中数据量最大的几个key之后，直接在程序中将那些key给过滤掉。

5.3、提高shuffle操作的并行度

方案适用场景：如果我们必须要对数据倾斜迎难而上，那么建议优先使用这种方案，因为这是处理数据倾斜最简单的一种方案。

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(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 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。具体原理如下图所示。

方案优点：实现起来比较简单，可以有效缓解和减轻数据倾斜的影响。

方案缺点：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。

方案实践经验：该方案通常无法彻底解决数据倾斜，因为如果出现一些极端情况，比如某个key对应的数据量有100万，那么无论你的task数量增加到多少，这个对应着100万数据的key肯定还是会分配到一个task中去处理，因此注定还是会发生数据倾斜的。所以这种方案只能说是在发现数据倾斜时尝试使用的第一种手段，尝试去用嘴简单的方法缓解数据倾斜而已，或者是和其他方案结合起来使用。

5.4、自定义分区

面对极端情况，比如某个key对应数据100万，这样的话，提高shuffle并行度也不行，所以这时候可以自定义分区，重新对数据分区，保证多个分区数据均匀，自定义分区可以增加key的粒度或者缩小key的粒度。

Val Spark：SparkSession = ... 

//假设我们有一个带有数据倾斜的RDD 
val skewedrdd：rdd [（int，string）] = ... //自定义

范围分区器
val val custompartitioner = new langepartitioner = new Rangepartitioner（10，skewedrdd）无数据倾斜问题的DD

5.5、加盐技术

当数据中的某些键（热键）出现大量次数而导致偏斜时，加盐是一种有用的技术。这个想法是向主键key添加一个随机数（盐），以便具有相同主键key的数据record中现在分布在多个分区中。

让我们看看如何使用 Scala 在 Spark 中应用加盐：

val Spark: SparkSession = ... 

// 假设我们有一个存在数据倾斜的 DataFrame 
val skewedDF: DataFrame = ... 

// 定义一个 UDF 添加 salt 
val addSaltUdf = udf((key: String) => key + "_" + Random.nextInt( 100 )) 

// 将 salt 添加到 key 
val saltedDF = skewedDF.withColumn( "key" , addSaltUdf(col( "key" ) ))) 

// 现在您可以对 saltedDF 执行操作，而不会出现数据倾斜问题

5.6、两阶段聚合（局部聚合+全局聚合）

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) (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)。

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。具体原理见下图。

方案优点：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。

方案缺点：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。

第一步，给RDD中的每个key都打上一个随机前缀。
第二步，对打上随机前缀的key进行局部聚合。
第三步，去除RDD中每个key的随机前缀。
第四步，对去除了随机前缀的RDD进行全局聚合。

5.7、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，而且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。具体原理如下图所示。方案优点：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。方案缺点：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。

// 首先将数据量比较小的RDD的数据，collect到Driver中来。
// 然后使用Spark的广播功能，将小RDD的数据转换成广播变量，这样每个Executor就只有一份RDD的数据。
// 可以尽可能节省内存空间，并且减少网络传输性能开销。
// 对另外一个RDD执行map类操作，而不再是join类操作。
// 在算子函数中，通过广播变量，获取到本地Executor中的rdd1数据。
// 可以将rdd1的数据转换为一个Map，便于后面进行join操作。
// 获取当前RDD数据的key以及value。
// 从rdd1数据Map中，根据key获取到可以join到的数据。
// 这里得提示一下。

// 上面的做法，仅仅适用于rdd1中的key没有重复，全部是唯一的场景。

// 如果rdd1中有多个相同的key，那么就得用flatMap类的操作，在进行join的时候不能用map，而是得遍历rdd1所有数据进行join。

// rdd2中每条数据都可能会返回多条join后的数据。

5.8、采样倾斜key并分拆join操作【分割倾斜数据】

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，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。

方案实现原理：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分拆成独立RDD，并附加随机前缀打散成n份去进行join，此时这几个key对应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了。具体原理见下图。

方案优点：对于join导致的数据倾斜，如果只是某几个key导致了倾斜，采用该方式可以用最有效的方式打散key进行join。而且只需要针对少数倾斜key对应的数据进行扩容n倍，不需要对全量数据进行扩容。避免了占用过多内存。

方案缺点：如果导致倾斜的key特别多的话，比如成千上万个key都导致数据倾斜，那么这种方式也不适合。

// 首先从包含了少数几个导致数据倾斜key的rdd1中，采样10%的样本数据。

// 对样本数据RDD统计出每个key的出现次数，并按出现次数降序排序。

// 对降序排序后的数据，取出top 1或者top 100的数据，也就是key最多的前n个数据。

// 具体取出多少个数据量最多的key，由大家自己决定，我们这里就取1个作为示范。

// 从rdd1中分拆出导致数据倾斜的key，形成独立的RDD。

// 从rdd1中分拆出不导致数据倾斜的普通key，形成独立的RDD。

// rdd2，就是那个所有key的分布相对较为均匀的rdd。

// 这里将rdd2中，前面获取到的key对应的数据，过滤出来，分拆成单独的rdd，并对rdd中的数据使用flatMap算子都扩容100倍。

// 对扩容的每条数据，都打上0～100的前缀。

// 将rdd1中分拆出来的导致倾斜的key的独立rdd，每条数据都打上100以内的随机前缀。

// 然后将这个rdd1中分拆出来的独立rdd，与上面rdd2中分拆出来的独立rdd，进行join。

// 将rdd1中分拆出来的包含普通key的独立rdd，直接与rdd2进行join。

// 将倾斜key join后的结果与普通key join后的结果，uinon起来。

// 就是最终的join结果。

val Spark: SparkSession = ... 

// 假设我们有一个存在数据倾斜的 DataFrame 
val skewedDF: DataFrame = ... 

// 倾斜的键
val skewedKeys = Seq( "key1" , "key2" , "key3" ) 

// 分割数据
val skewedData = skewedDF.filter(col( "key" ).isin(skewedKeys: _*)) 
val nonSkewedData = s kewedDF.filter(!col( "key" ).isin(skewedKeys: _*)) 

// 分别处理 skewedData 和 nonSkewedData

5.9、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，因此上一种方案扩容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。

方案优点：对join类型的数据倾斜基本都可以处理，而且效果也相对比较显著，性能提升效果非常不错。

方案缺点：该方案更多的是缓解数据倾斜，而不是彻底避免数据倾斜。而且需要对整个RDD进行扩容，对内存资源要求很高。

方案实践经验：曾经开发一个数据需求的时候，发现一个join导致了数据倾斜。优化之前，作业的执行时间大约是60分钟左右；使用该方案优化之后，执行时间缩短到10分钟左右，性能提升了6倍。

// 首先将其中一个key分布相对较为均匀的RDD膨胀100倍。

// 其次，将另一个有数据倾斜key的RDD，每条数据都打上100以内的随机前缀。

// 将两个处理后的RDD进行join即可。

5.10、多种方案组合使用

在实践中发现，很多情况下，如果只是处理较为简单的数据倾斜场景，那么使用上述方案中的某一种基本就可以解决。但是如果要处理一个较为复杂的数据倾斜场景，那么可能需要将多种方案组合起来使用。比如说，我们针对出现了多个数据倾斜环节的Spark作业，可以先运用解决方案一和二，预处理一部分数据，并过滤一部分数据来缓解；其次可以对某些shuffle操作提升并行度，优化其性能；最后还可以针对不同的聚合或join操作，选择一种方案来优化其性能。大家需要对这些方案的思路和原理都透彻理解之后，在实践中根据各种不同的情况，灵活运用多种方案，来解决自己的数据倾斜问题。

scan：从hive，kudu读取数据

Filter：过滤操作，包括去除缺失值，条件筛选等

Project：映射，选择需要的列

HashAggregate：聚合，本例中HashAggregate+Exchange+HashAggregate用来distinct去重

wholestagecodegen：全阶段代码生成，用来将多个处理逻辑整合到单个代码模块中，是Spark的新的SQL代码生成模型

Exchange：数据重分区Sort：数据根据某个key排序

SortMergeJoin：大表和大表join的策略，本例中Exchange+Sort+SortMergeJoin用来做大表和大表join