小记：记一次sort merge join导致的数据倾斜

场景

同事的一张订单表，三年共2亿条左右数据，在join多张维度表后，写回hive中。发现每次任务都耗时三小时左右。而我的另一张表，数据量也在2亿左右，同样join了多张维度表，耗时仅6分钟。

同事的任务：

我的任务：

数据量

排查

首先到spark的历史服务web页面，找到这条任务，查看时哪个job耗时比较长，发现有个job耗时2小时：

查看这个job的执行计划，发现左边的大表有99G数据，而右边的小表仅16M数据，但是使用了sort merge join。在spark conf中已经设置了数据量小于40M时自动广播join，但是没有生效。

spark.sql.autoBroadcastJoinThreshold=41485760

Caption

查看event time时发现，所有数据都在一个task中，其他task完全没有数据，难怪耗时这么长。

查看代码，并未发现有任何group by、distinct等聚合操作，仅有join。

但是发现他在join其他表时，都是以整张表进行join的，正常来说，在左表join右表时，应该先对左右表进行查询，只取需要用到的列（select），并先过滤掉不需要的行（where）。这样一来可以使代码更具可读性；二来当数据量较大时，可以大大减少数据传输和运算、存储时占用的时间和内存；三来提前做子查询，spark能够感知数据量大小，当数据量小时会自动使用广播join，否则会使用sort merge join。

如一张material维度表，共有200多个字段，而实际上在这次计算中只需要用到4个字段，提前select出这四列，相当于数据量减少了98%。

我的代码：

判断

看情况是所有数据都到一个task中了，但是代码中没有聚合操作，原数据（hdfs中文件大小）虽然有些倾斜（大部分为1.1G，小部分为400+M），但是也不会导致这种情况。猜测在sort merge join时，数据重新分区，导致所有数据都到一个task了，虽然这种情况很极端，但目前来看，也没有其他解释。

措施

如果将所有关联维度表都改为子查询，代码改动量大，建议同事使用broadcast关键字手动指定广播维度表,如需广播多个表，用逗号隔开。如：

SELECT
/*+ BROADCAST(mat,oms,mdm,mapping,ter,org,scs) */
 tmall.countercode AS terminal_code
...
...
...
FROM 
fact_transactionlog_online_tmall_filter tmall
LEFT JOIN 
 ldldws.dim_material mat 
 ON tmall.material_code=mat.material_code AND mat.pt_month = tmall.txddate_month
LEFT JOIN 
 ldldws.dim_product_oms oms 
 ON tmall.material_code=oms.oms_code AND mat.material_code IS NULL
LEFT JOIN 
...
...
...

结果

修改代码后，spark执行计划如图：

event time：

Caption

执行总时间：

Caption

修改后执行时间减小2小时。因为同事在sql中使用create as建了中间表，数据落盘加大了运行时间，其实如果不是必要的话，最好直接做子查询，不要建立中间表，这样运行时间还可以再缩短。

总结

1.任何shuffle行为都可能发生数据倾斜，包括join。

2.任何表之间join前，应先对表做子查询，过滤多余的行或列，减小数据量。