Spark性能调优04-数据倾斜调优

1. 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。这种情况很常见。
  • 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,是我们写的业务代码造成的。这种情况比较少见。

2. 数据倾斜发生的原理

数据倾斜的原理很简单: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,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。

比如下面这个例子:

3. 定位导致数据倾斜的代码

(1) 首先要看的,就是数据倾斜发生在第几个stage中

如果是用yarn-client模式提交,那么本地是直接可以看到log的,可以在log中找到当前运行到了第几个stage;如果是用yarn-cluster模式提交,则可以通过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。

比如下图中,倒数第三列显示了每个task的运行时间。明显可以看到,有的task运行特别快,只需要几秒钟就可以运行完;而有的task运行特别慢,需要几分钟才能运行完,此时单从运行时间上看就已经能够确定发生数据倾斜了。此外,倒数第一列显示了每个task处理的数据量,明显可以看到,运行时间特别短的task只需要处理几百KB的数据即可,而运行时间特别长的task需要处理几千KB的数据,处理的数据量差了10倍。此时更加能够确定是发生了数据倾斜。

知道数据倾斜发生在哪一个stage之后,接着我们就需要根据stage划分原理,推算出来发生倾斜的那个stage对应代码中的哪一部分,这部分代码中肯定会有一个shuffle类算子。精准推算stage与代码的对应关系,需要对Spark的源码有深入的理解,这里我们可以介绍一个相对简单实用的推算方法:只要看到Spark代码中出现了一个shuffle类算子或者是Spark SQL的SQL语句中出现了会导致shuffle的语句(比如group by语句),那么就可以判定,以那个地方为界限划分出了前后两个stage。

这里我们就以Spark最基础的入门程序——单词计数来举例,如何用最简单的方法大致推算出一个stage对应的代码。如下示例,在整个代码中,只有一个reduceByKey是会发生shuffle的算子,因此就可以认为,以这个算子为界限,会划分出前后两个stage。

val conf = new SparkConf()
val sc = new SparkContext(conf)
val lines = sc.textFile("hdfs://...")
val words = lines.flatMap(_.split(" "))
val pairs = words.map((_, 1))
val wordCounts = pairs.reduceByKey(_ + _)
wordCounts.collect().foreach(println)

stage0,主要是执行从textFile到map操作,以及执行shuffle write操作。shuffle write操作,我们可以简单理解为对pairs RDD中的数据进行分区操作,每个task处理的数据中,相同的key会写入同一个磁盘文件内。 stage1,主要是执行从reduceByKey到collect操作,stage1的各个task一开始运行,就会首先执行shuffle read操作。执行shuffle read操作的task,会从stage0的各个task所在节点拉取属于自己处理的那些key,然后对同一个key进行全局性的聚合或join等操作,在这里就是对key的value值进行累加。stage1在执行完reduceByKey算子之后,就计算出了最终的wordCounts RDD,然后会执行collect算子,将所有数据拉取到Driver上,供我们遍历和打印输出。

通过对单词计数程序的分析,希望能够让大家了解最基本的stage划分的原理,以及stage划分后shuffle操作是如何在两个stage的边界处执行的。然后我们就知道如何快速定位出发生数据倾斜的stage对应代码的哪一个部分了。比如我们在Spark Web UI或者本地log中发现,stage1的某几个task执行得特别慢,判定stage1出现了数据倾斜,那么就可以回到代码中定位出stage1主要包括了reduceByKey这个shuffle类算子,此时基本就可以确定是由educeByKey算子导致的数据倾斜问题。比如某个单词出现了100万次,其他单词才出现10次,那么stage1的某个task就要处理100万数据,整个stage的速度就会被这个task拖慢。

(2) 某个task莫名其妙内存溢出的情况

这种情况下去定位出问题的代码就比较容易了。我们建议直接看yarn-client模式下本地log的异常栈,或者是通过YARN查看yarn-cluster模式下的log中的异常栈。一般来说,通过异常栈信息就可以定位到你的代码中哪一行发生了内存溢出。然后在那行代码附近找找,一般也会有shuffle类算子,此时很可能就是这个算子导致了数据倾斜。

但是大家要注意的是,不能单纯靠偶然的内存溢出就判定发生了数据倾斜。因为自己编写的代码的bug,以及偶然出现的数据异常,也可能会导致内存溢出。因此还是要按照上面所讲的方法,通过Spark Web UI查看报错的那个stage的各个task的运行时间以及分配的数据量,才能确定是否是由于数据倾斜才导致了这次内存溢出。

4. 查看导致数据倾斜的key的数据分布情况

知道了数据倾斜发生在哪里之后,通常需要分析一下那个执行了shuffle操作并且导致了数据倾斜的RDD/Hive表,查看一下其中key的分布情况。这主要是为之后选择哪一种技术方案提供依据。针对不同的key分布与不同的shuffle算子组合起来的各种情况,可能需要选择不同的技术方案来解决。

此时根据你执行操作的情况不同,可以有很多种查看key分布的方式:

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。 举例来说,对于上面所说的单词计数程序,如果确定了是stage1的reduceByKey算子导致了数据倾斜,那么就应该看看进行reduceByKey操作的RDD中的key分布情况,在这个例子中指的就是pairs RDD。如下示例,我们可以先对pairs采样10%的样本数据,然后使用countByKey算子统计出每个key出现的次数,最后在客户端遍历和打印样本数据中各个key的出现次数。

val sampledPairs = pairs.sample(false, 0.1)
val sampledWordCounts = sampledPairs.countByKey()
sampledWordCounts.foreach(println)

5. 数据倾斜的解决方案

解决方案一:使用Hive ETL预处理数据

(1) 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。

(2) 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。

(3) 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。

(4) 方案缺点

治标不治本,Hive ETL中还是会发生数据倾斜。

(5) 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。

(6) 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。

解决方案二:过滤少数导致倾斜的key

(1) 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。

(2) 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。

(3) 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。

(4) 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。

(5) 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。

(6) 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。

解决方案三:提高shuffle操作的并行度

(1) 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。

(2) 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。

(3) 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。

(4) 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。

(5) 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。

(6)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,尝试去用最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。

解决方案四:双重聚合(局部聚合+全局聚合)

(1) 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。

(2) 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)。

(3) 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。

// 1.给RDD中的每个key都打上随机前缀
JavaPairRDD<String, Integer> randomPairRDD = rdd.mapToPair(new PairFunction<Tuple2<String, Integer>, String, Integer>() {
    @Override
    public Tuple2<String, Integer> call(Tuple2<String, Integer> tuple) throws Exception {
        Random random = new Random();
        int randomPrefix = random.nextInt(5);
        return new Tuple2<String, Integer>(randomPrefix + "_" + tuple._1, tuple._2);
    }
});

// 2.对每个打上随机前缀的Key进行局部聚合
JavaPairRDD<String, Integer> combPairRDD = randomPairRDD.reduceByKey(new Function2<Integer, Integer, Integer>() {
    @Override
    public Integer call(Integer v1, Integer v2) throws Exception {
        return v1 + v2;
    }
});

// 3.去除随机前缀
JavaPairRDD<String, Integer> normalPairRDD = combPairRDD.mapToPair(new PairFunction<Tuple2<String, Integer>, String, Integer>() {
    @Override
    public Tuple2<String, Integer> call(Tuple2<String, Integer> tuple) throws Exception {
        return new Tuple2<String, Integer>(tuple._1.split("_")[1], tuple._2);
    }
});

// 4.全局聚合
JavaPairRDD<String, Integer> result = normalPairRDD.reduceByKey(new Function2<Integer, Integer, Integer>() {
    @Override
    public Integer call(Integer v1, Integer v2) throws Exception {
        return v1 + v2;
    }
});

(4) 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。

(5) 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。

解决方案五:将reduce join转为map join

(1) 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。

(2) 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。

(3) 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。

// 首先将数据量比较小的RDD的数据,collect到Driver中来
List<Tuple2<Long, Row>> rdd1Data = rdd1.collect()
// 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
final Broadcast<List<Tuple2<Long, Row>>> rdd1DataBroadcast = sc.broadcast(rdd1Data);
// 对另外一个RDD执行map类操作,而不再是join类操作
JavaPairRDD<String, Tuple2<String, Row>> joinedRdd = rdd2.mapToPair(
    new PairFunction<Tuple2<Long,String>, String, Tuple2<String, Row>>() {
        private static final long serialVersionUID = 1L;
        @Override
        public Tuple2<String, Tuple2<String, Row>> call(Tuple2<Long, String> tuple)
                throws Exception {
            // 在算子函数中,通过广播变量,获取到本地Executor中的rdd1数据
            List<Tuple2<Long, Row>> rdd1Data = rdd1DataBroadcast.value();
            // 可以将rdd1的数据转换为一个Map,便于后面进行join操作
            Map<Long, Row> rdd1DataMap = new HashMap<Long, Row>();
            for(Tuple2<Long, Row> data : rdd1Data) {
                rdd1DataMap.put(data._1, data._2);
            }
            // 获取当前RDD数据的key以及value。
            String key = tuple._1;
            String value = tuple._2;
            // 从rdd1(小量数据的RDD)数据Map中,根据key获取到可以join到的数据
            Row rdd1Value = rdd1DataMap.get(key);
            return new Tuple2<String, String>(key, new Tuple2<String, Row>(value, rdd1Value));
        }
});
// 这里得提示一下
// 上面的做法,仅仅适用于rdd1(小量数据)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
// 而且在进行join的时候不能用map集合,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,比如
JavaRDD<Tuple2<Integer, Tuple2<String, String>>> resultRdd = rdd1.flatMap(new FlatMapFunction<Tuple2<Integer, String>, Tuple2<Integer, Tuple2<String, String>>>() {
    @Override
    public Iterator<Tuple2<Integer, Tuple2<String, String>>> call(Tuple2<Integer, String> integerStringTuple2) throws Exception {

        List<Tuple2<Integer, String>> list = broadcast2.value();
        // 获取当前RDD数据的key以及value
        Integer key = integerStringTuple2._1;
        String value = integerStringTuple2._2;
        List<Tuple2<Integer, Tuple2<String, String>>> result = new ArrayList<>();
        for(Tuple2<Integer, String> tuple : list) {
            if(tuple._1.intValue() == key.intValue()) {
                Tuple2<String, String> t = new Tuple2<String, String>(tuple._2, value);
                result.add(new Tuple2<Integer, Tuple2<String, String>>(key, t));
            }
        }
        return result.iterator();
    }
});

/**
 * 如果rdd1(小量数据)中的key有多个相同的key,就需要用flatMap类的操作
 * 因为rdd1中有多个相同的key时,对于每个key,join可能返回的是一个集合
 * flatMap函数返回的就是集合,而map函数只能返回一个对象,如下
 */
JavaRDD<Tuple2<Integer, Tuple2<String, String>>> resultRdd = rdd1.map(new Function<Tuple2<Integer, String>, Tuple2<Integer, Tuple2<String, String>>>() {
    @Override
    public Tuple2<Integer, Tuple2<String, String>> call(Tuple2<Integer, String> v1) throws Exception {
        return null;
    }
});

解决方案六:采样倾斜key并分拆join操作

(1) 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。

(2) 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。

(3) 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。

// 1.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
JavaRDD<Tuple2<String, String>> sampleRdd = rdd1.sample(false, 0.1);

/**
 * 2.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
 */
String skewedKey = sampleRdd.mapToPair(new PairFunction<Tuple2<String, String>, String, Integer>() {
    @Override
    public Tuple2<String, Integer> call(Tuple2<String, String> tuple) throws Exception {
        return new Tuple2<String, Integer>(tuple._1, 1);
    }
}).reduceByKey(new Function2<Integer, Integer, Integer>() {
    @Override
    public Integer call(Integer v1, Integer v2) throws Exception {
        return v1 + v2;
    }
}).mapToPair(new PairFunction<Tuple2<String, Integer>, Integer, String>() {
    @Override
    public Tuple2<Integer, String> call(Tuple2<String, Integer> tuple) throws Exception {
        return new Tuple2<Integer, String>(tuple._2, tuple._1);
    }
}).sortByKey(false).take(1).get(0)._2;

// 3.从rdd1中分拆出导致数据倾斜的key,形成独立的RDD
JavaRDD<Tuple2<String, String>> skewedRddFromRdd1 = rdd1.filter(new Function<Tuple2<String, String>, Boolean>() {
    @Override
    public Boolean call(Tuple2<String, String> v1) throws Exception {
        return v1._1.equals(skewedKey);
    }
});

// 4.给skewedRddFromRdd1中key添加随机前缀
JavaPairRDD<String, String> randomPrefixskewedRddFromRdd1 = skewedRddFromRdd1.mapToPair(new PairFunction<Tuple2<String, String>, String, String>() {
    @Override
    public Tuple2<String, String> call(Tuple2<String, String> tuple) throws Exception {
        Random random = new Random();
        return new Tuple2<String, String>(random.nextInt(100) + "_" + tuple._1, tuple._2);
    }
});

// 5. 从rdd1中分拆出不导致数据倾斜的普通key,形成独立的RDD
JavaPairRDD<String, String> notskewedRddFromRdd1 = rdd1.filter(new Function<Tuple2<String, String>, Boolean>() {
    @Override
    public Boolean call(Tuple2<String, String> v1) throws Exception {
        return !v1._1.equals(skewedKey);
    }
}).mapToPair(new PairFunction<Tuple2<String, String>, String, String>() {
    @Override
    public Tuple2<String, String> call(Tuple2<String, String> tuple) throws Exception {
        return new Tuple2<String, String>(tuple._1, tuple._2);
    }
});

/**
 * 6.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
 *   expandSkewedRddFromRdd2
 */
JavaPairRDD<String, String> expandSkewedRddFromRdd2 = rdd2.filter(new Function<Tuple2<String, String>, Boolean>() {
    @Override
    public Boolean call(Tuple2<String, String> v1) throws Exception {
        return v1._1.equals(skewedKey);
    }
}).flatMapToPair(new PairFlatMapFunction<Tuple2<String, String>, String, String>() {
    @Override
    public Iterator<Tuple2<String, String>> call(Tuple2<String, String> tuple) throws Exception {
        List<Tuple2<String, String>> list = new ArrayList<Tuple2<String, String>>();
        for (int i = 0; i < 100; i++) {
            list.add(new Tuple2<String, String>(i + "_" + tuple._1, tuple._2));
        }
        return list.iterator();
    }
});

// 6. 从rdd2中分拆出不导致数据倾斜的普通key,形成独立的RDD
JavaPairRDD<String, String> notskewedRddFromRdd2 = rdd2.filter(new Function<Tuple2<String, String>, Boolean>() {
    @Override
    public Boolean call(Tuple2<String, String> v1) throws Exception {
        return !v1._1.equals(skewedKey);
    }
}).mapToPair(new PairFunction<Tuple2<String, String>, String, String>() {
    @Override
    public Tuple2<String, String> call(Tuple2<String, String> tuple) throws Exception {
        return new Tuple2<String, String>(tuple._1, tuple._2);
    }
});

// 7.randomPrefixskewedRddFromRdd1和expandSkewedRddFromRdd2进行join
JavaPairRDD<String, Tuple2<String, String>> result1PairRDD = randomPrefixskewedRddFromRdd1.join(expandSkewedRddFromRdd2)
        .mapToPair(new PairFunction<Tuple2<String, Tuple2<String, String>>, String, Tuple2<String, String>>() {
            @Override
            public Tuple2<String, Tuple2<String, String>> call(Tuple2<String, Tuple2<String, String>> tuple) throws Exception {
                return new Tuple2<String, Tuple2<String, String>>(tuple._1.split("_")[1], tuple._2);
            }
        });

// 8.notskewedRddFromRdd1和notskewedRddFromRdd2进行join
JavaPairRDD<String, Tuple2<String, String>> result2PairRDD = notskewedRddFromRdd1.join(notskewedRddFromRdd2);

// 9.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
JavaPairRDD<String, Tuple2<String, String>> finalRdd = result1PairRDD.union(result2PairRDD);

(4) 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。

(5) 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。

解决方案七:使用随机前缀和扩容RDD进行join

(1) 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。

(2) 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。

(3) 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。

(4) 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。

(5) 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。

(6) 方案实践经验

实际项目中发现,解决掉因为join产生的数据倾斜后,性能提升了6倍左右。

// 1.有数据倾斜key的RDD,每条数据都打上100以内的随机前缀
JavaPairRDD<String, String> RandomPrefixRdd = rdd1.mapToPair(new PairFunction<Tuple2<String, String>, String, String>() {
    @Override
    public Tuple2<String, String> call(Tuple2<String, String> tuple) throws Exception {
        Random random = new Random();
        int prefix = random.nextInt(100);
        return new Tuple2<String, String>(prefix + "_" + tuple._1, tuple._2);
    }
});

// 2.将其中一个key分布相对较为均匀的RDD膨胀100倍
JavaPairRDD<String, String> expandRdd = rdd2.flatMapToPair(new PairFlatMapFunction<Tuple2<String, String>, String, String>() {
    @Override
    public Iterator<Tuple2<String, String>> call(Tuple2<String, String> tuple) throws Exception {
        List<Tuple2<String, String>> list = new ArrayList<>();
        for(int i = 0; i < 100; i++) {
            list.add(new Tuple2<String, String>(i + "_" + tuple._1, tuple._2));
        }
        return list.iterator();
    }
});

// 3.将两个处理后的RDD进行join即可
JavaPairRDD<String, Tuple2<String, String>> joinRdd = RandomPrefixRdd.join(expandRdd);

解决方案八: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。

参考文章: Spark性能优化指南——高级篇

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Albert陈凯

Spark系列课程-00xxSpark RDD持久化

我们这节课讲一下RDD的持久化 ? RDD的持久化 这段代码我们上午已经看过了,有瑕疵大家看出来了吗? 有什么瑕疵啊? 大家是否还记得我在第二节课的时候跟大...

4088
来自专栏Albert陈凯

Spark详解06容错机制Cache 和 Checkpoint Cache 和 Checkpoint

Cache 和 Checkpoint 作为区别于 Hadoop 的一个重要 feature,cache 机制保证了需要访问重复数据的应用(如迭代型算法和交互式应...

47812
来自专栏JavaEdge

史上最快! 10小时大数据入门实战(五)-分布式计算框架MapReduce1 MapReduce概述2 MapReduce编程模型之通过wordcount词频统计分析案例入门MapReduce执行流程

1843
来自专栏加米谷大数据

技术分享 | Spark RDD详解

1、RDD是什么 RDD:Spark的核心概念是RDD (resilientdistributed dataset),指的是一个只读的,可分区的分布式数据集,这...

4345
来自专栏Albert陈凯

4.3 RDD操作

4.3 RDD操作 RDD提供了一个抽象的分布式数据架构,我们不必担心底层数据的分布式特性,而应用逻辑可以表达为一系列转换处理。 通常应用逻辑是以一系列转换(...

2757
来自专栏about云

spark零基础学习线路指导

问题导读 1.你认为spark该如何入门? 2.你认为spark入门编程需要哪些步骤? 3.本文介绍了spark哪些编程知识? ? spark...

3985
来自专栏Albert陈凯

2.0Spark编程模型

循序渐进学Saprk 与Hadoop相比,Spark最初为提升性能而诞生。Spark是Hadoop MapReduce的演化和改进,并兼容了一些数据库的基本思想...

3868
来自专栏Albert陈凯

3.6 Shuffle机制

3.6 Shuffle机制 在MapReduce框架中,Shuffle是连接Map和Reduce之间的桥梁,Map的输出要用到Reduce中必须经过Shuff...

2914
来自专栏CSDN技术头条

SreamCQL架构解析,来自华为的开源流处理框架

StreamCQL是一个类SQL的声明式语言,它用于在流(streams)和可更新关系(updatable relation)上的可持续查询,目的是在流处理平台...

2159
来自专栏about云

spark零基础学习线路指导【包括spark2】

问题导读 1.你认为spark该如何入门? 2.你认为spark入门编程需要哪些步骤? 3.本文介绍了spark哪些编程知识?

1053

扫码关注云+社区

领取腾讯云代金券