Spark数据倾斜(数据分布不均匀)
数据倾斜发生时的现象：
- 绝大多数task（任务）执行得都非常快，但个别task执行极慢。
- OOM(内存溢出)，这种情况比较少见。
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，就会发生数据倾斜。比如，大部分key对应的数据是10条，有一个key对应的数据是100万条，那么大部分的task只分配了10条数据，可能1秒就完成了，但是那个100万条数据的task，可能还要经过一两个小时，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。木桶原理。
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。
数据倾斜产生在那些地方
首先要看的，就是数据倾斜发生在第几个stage中。
Stage的划分是触发了shuffle操作，才会划分stage。
触发shuffle操作的算子：
distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition
数据倾斜解决方法
1. 使用spark通用的优化方案
2. 分两种情况，
一种聚合数据倾斜：
- 先对key前加n以内的随机前缀，然后计算，计算完成去掉随机前缀，再次合并结果。N一般来说取值在10左右
一种是join类型的数据倾斜：
a. 先对左表加随机前缀
b. 对右表扩容n倍
c. 执行join操作
d. 去掉结果中的前缀
实现代码如下
一种聚合数据倾斜：
//key前加随机数，聚合，再去掉随机前缀
def testAcc(sc: SparkContext) = {
sc.parallelize(List("hello", "hello", "hello", "hello", "world"))
//sc.textFile("d:\\test\\ssc\\bias.txt",20)
.map(word => (word, 1))
//传统做法，可能会出现数据倾斜
.reduceByKey(_+_)
//解决数据倾斜--加后缀+聚合+去后缀+聚合
.map { case (key, value) => {
val random = new Random();
//将key加随机前缀
(random.nextInt(3) + "_" + key, value)
}
}
//聚合
.reduceByKey(_ + _)
//去随机前缀
.map { case (k, v) => (k.substring(k.indexOf("_") + 1), v) }
//聚合
.reduceByKey(_ + _)
.foreach(println)
Thread.sleep(1000000)
}
一种是join类型的数据倾斜：
二个rdd join操作 rddl.join(rdd2) 左表加前缀--右表扩展n倍
def testJoin(sc: SparkContext): Unit = {
val rddl=sc.parallelize(List((1,"hello"),(1,"hello"),(1,"hello"),(1,"hello"),(2,"world")))
val rddr=sc.parallelize(List((1,"man"),(2,"woman")))
//传统方式，可能会出现数据倾斜
//rddl.join(rdd2).foreach(println)
//左侧rdd加随机前缀（n以内），右侧rdd根据随机前缀扩容n倍
val prefixRdd=rddl.map{case (k,v)=>{
val random = new Random()
(random.nextInt(3) + "_" + k, v)
}}
//右侧扩容
val expandRdd=rddr.flatMap{
case (k,v)=>{
val num=List(0,1,2)
num.map(i=>(i+"_"+k,v))
}
}
//去掉前缀
prefixRdd.join(expandRdd)
.map{case (k,v)=>(k.split("_")(1),v)}
.foreach(println)
}