Spark数据倾斜的处理方案

0x01 数据倾斜发生的原理

Spark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。

0x02 如何确定是数据倾斜问题(如何定位发生数据倾斜的)

数据倾斜发生时,Spark作业看起来运行得非常缓慢,甚至可能因为某个task处理的数据量过大导致内存溢出。

1.数据倾斜问题的排查步骤

1). 查看Spark UI,在stage页面中可以看到每一个Stage的运行时间、Shuffle Read数据量和Shuffle Write数据量。

stage信息.png

2). 根据运行时间、Shuffle read的数据量,选择一个认为可能会发生数据倾斜的stage,查看该Stage的detail页面。
3). 在detail页面可以查看所有executor和该Stage所有Task的运行时间、Shuffle read数据量。观察是否有些Task的shuffle read的数据量比其他task的shuffle read的数据量明显大很多。如果是则说明有很多数据跑到了这个Task上,也就是说这个Task所在的Stage发生了数据倾斜。
4). 从第3步定位到发生数据倾斜的Stage,然后根据spark切分Stage的逻辑,找到该Stage的代码,根据代码逻辑进一步分析数据倾斜的原因。

task信息.png

0x03 数据倾斜的解决方案

1. 过滤掉少数导致倾斜的key

如果导致倾斜的key对计算结果影响不大的话(例如为null的key), 可以直接过滤掉这些key。这样就可以避免数据倾斜。
缺点:适用场景不多,大多数情况下,导致数据倾斜的key需要参与计算,是不能过滤的。

2. 提高shuffle操作的并行度【推荐】

原理:> 在对RDD执行Shuffle算子时,给Shuffle算子增加下游分区数,如reduceByKey(1000),这样可以增加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。
优点
实现简单,可以解决多个数据量不多的key分配到一个task导致的数据倾斜问题。
缺点
不能解决单个key数据量大导致的数据倾斜问题。
结论:发现数据倾斜时,这种方案只能当做第一种手段,尝试使用最简单的方法缓解数据倾斜,但是不能从根本上解决数据倾斜问题(无法解决单个key的数据倾斜问题)。

3. 两阶段聚合(局部聚合+全局聚合)【推荐】

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数据量过大的问题。接着去掉随机前缀,再次进行全局聚合,就可以得到最终的结果。
优点
对于聚合类的shuffle操作,可以解决单个key数据量大导致数据倾斜的问题。
缺点
只能适用于聚合类的shuffle操作,不能用于join类操作。

4. 将reduce join转为mep join【推荐】

原理:消除shuffle过程
普通join会走shuffle过程,将相同key的数据拉取到一个Shuffle read task中再进行join,这就是reduce join,但如果一个RDD比较小,则可以采用广播小RDD全量数据+map算子来实现,也就是map join,此时不会发生Shuffle过程,也就不会发生数据倾斜。
优点
对于处理大表join小表的数据倾斜问题,效果非常好,可以消除Shuffle过程,也就根本不会发生数据倾斜。
缺点
只能适用于大表join小表的场景,另外,需要将小表进行广播,所以比较消耗内存,driver和每个executor内存都会驻留一份小表的全量数据。如果广播的小表数据量比较大,也有可能发生内存溢出——所以在使用map join的作业中需要增大Driver的分配内存

5. 分离倾斜key并单独进行join操作【推荐】

原理:在两个大表A,B进行join的时候,其中A表的某些key数据量比较大,而B表的这些key数据量比较小(不可能同时存在两个表这些key的数据量都很大,那样会形成笛卡尔积),从两个表中分离出这些倾斜key的数据,此时,两个表分离出来的数据分别形成了一张大表A1和一张小表B1,A和B剩下的数据形成数据均匀的A2和B2,然后A1和B1使用map join,A2和B2使用普通join,因为A2和B2的数据分布比较均匀所以不会再造成数据倾斜。
优点:
可以解决两个大表join时的数据倾斜问题。
缺点:
如果A表的倾斜key很多的话,导致B表对应key的数据量也很大,最后也不能使用map join,不过可以将A表的倾斜key拆分成n份,分别进行处理。

参考:
https://tech.meituan.com/2016/05/12/spark-tuning-pro.html

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,684评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,143评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,214评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,788评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,796评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,665评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,027评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,679评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 41,346评论 1 299
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,664评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,766评论 1 331
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,412评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,015评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,974评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,203评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,073评论 2 350
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,501评论 2 343

推荐阅读更多精彩内容