数据倾斜解决方法总结

更多腾讯海量技术文章，请关注云加社区：https://cloud.tencent.com/developer

作者：谢慧志

前言

在使用Spark、Hive的过程中经常会碰到数据倾斜的问题，数据倾斜基本都发生在group、join等需要数据shuffle的操作中，这些过程需要按照key值进行数据汇集处理，如果key值过于集中，在汇集过程中大部分数据汇集到一台机，这就导致数据倾斜。数据倾斜不仅无法充分利用分布式带来的好处，而且可能导致内存消耗过大超过负载直接导致任务延迟或者失败。本文就是将所有在工作中遇到的数据倾斜的问题及其解决方案进行汇总记录。

一、 少量Key值重复数量特别多需要GroupBy

需求：统计test_table2 中key出现的次数，要求这些key必须出现在test_table1中

需求很简单，但是很多业务都用到，统计代码如下：

test_table1数据量只有1000条而且关于key去重，test_table2数据量有一亿条，这个任务在没有优化之前跑了接近一个小时，这是无法接受的，而且查看日志发现有一个reduce运行时长非常久，其他reduce都能够在1min中之内完成，由此可推断出必然发生了数据倾斜。

1.1 问题的根源及解决方法

不考虑数据本身，从代码层面来分析，有两个地方会发生数据倾斜，但是根本原因只有一个那就是test_table2中某个key值大量重复，于是在统计一下test_table2出现次数最多的Top10的key，发现确实有一个key大量重复，此时有两种解决方案：

如果头部key不是业务需要的key，直接过滤

如果头部key都很多，而且都是业务需要的key，考虑加入随机数

如下代码所示：

注意：

无论是否使用mapjoin，小表都需要放入前面，原因是reduce阶段会将第一个表的key全部放入内存，当第二个表到来的时候就开始输出；

在读表之后第一件事就是尽可能的过滤不必要的数据，理清业务含义先过滤脏数据和业务不相关的数据。

二、少量Key值重复数量特别多需要Join

需求：统计test_table2是由key1、key2、value2三个字段组成，但key1和key2不是主键，test_table1是key1和key2组合作为主键的，需求是找出test_table2满足存在test_table1的组合主键的记录，并求字段value2的和以及每个单独键出现的次数。

这种需要实际工作中也是经常遇到，由于HIVE不支持where的in条件嵌套子查询，那么解决这个需求最正常的方法是用join操作如下：

2.1 分析问题并解决

这个需求可能导致倾斜的地方有三处：

对test_table2的group by

join操作

两个 count(distinct)

如果前面两个倾斜会发生，原因也是和案例一是相同的，就是test_table2的key1和key2的组合key有数量明显大的组合。此时解决方法同1相似。但是这里要提出第三种解决方法：

如果头部key都很多，而且都是业务需要的key，但是join的一方是小表可以使用mapjoin

如下代码所示：

注意：

使用mapjoin第二个表就先不进行group by，因为group by会导致倾斜；

这样mapjoin肯定可以完全避免数据倾斜，如果join之后数据量变得很少，上面两个count(distinct)操作就会很快

如果数据量还是很大两个count(distinct)在一起有一个key某些值特别多出现倾斜，此时业务不需要非常精准的去重，可以考虑使用基数估计

Tips: 在Tdw中有est_distinct这个函数，直接取代 count(distinct col_name) => est_distinct(col_name) 即可