spark数据倾斜处理方案

spark数据倾斜处理方案

解决方案一：过滤少数导致倾斜的key

**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。

**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。

**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。

**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。

**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。

​ 代码实现:

df.filter("key!='' and key is not null")   //过滤为空的key
df.filter("key!='aa'")  //过滤掉产生倾斜的key

解决方案二：提高shuffle操作的并行度

**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。

**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。

**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。

**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。

**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。

**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，尝试去用嘴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。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nJ6577t6-1580121137222)(https://s.iteblog.com/pic/shuffle-skwed-add-partition.png)]

**代码实现:**通过代码设置

SparkSession
.builer()
.master("local[*]")
.appName("test")
//.conf("spark.default.paralleism",500)   用于设置spark-core rdd shuffle的并行度
.conf("spark.sql.shuffle.partitions",500)  //用于设置sparksql shuffle的并行度
.getOrCreate()

解决方案三：两阶段聚合（局部聚合+全局聚合）

**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。

**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)。

**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。

**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。

**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。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2D083GNN-1580121137227)(https://s.iteblog.com/pic/shuffle-skwed-two-phase-aggr.png)]

代码实现：

def solution5(spark:SparkSession)={
    import spark.implicits._
    Seq[Student](
      Student("1","李四","class_01"),
      Student("2","王五","class_01"),
      Student("3","赵柳","class_01"),
      Student("4","钱琪","class_01"),
      Student("5","张三","class_01"),
      Student("6","tom","class_01"),
      Student("7","jimmy","class_02"),
      Student("8","韩梅梅","class_04"),
      Student("9","李雷","class_02"),
      Student("10","李雷","class_05")
    ).toDF().createOrReplaceTempView("student")

    //class_01 + (0-10)  => 4_class_01,5_class_01  => (4_class_01,10) , (5_class_01,20) =>(class_01,10),(class_01,20) => class_01,30
    //注册添加随机数前缀的udf
    spark.udf.register("prefix",prefix _)
    //注册去掉前缀的udf
    spark.udf.register("unPrefix",unPrefix _)

    val df = spark.sql("select classId from student")
    //采样，用来查看是哪些key产生数据倾斜
    df.sample(true,0.5).show()
    spark.sql(
      """
        | select prefix(classId) classId,count(1) cn
        | from student
        | group by prefix(classId)
      """.stripMargin).createOrReplaceTempView("tmp")

    spark.sql(
      """
        |select unPrefix(classId),sum(cn)
        | from tmp
        | group by unPrefix(classId)
      """.stripMargin).show()
  }

  /**
    * 去掉key的前缀
    * @param key
    * @return
    */
  def unPrefix(key:String):String={
    key match {
      case name if (name.contains("@")) =>name.split("@")(1)
      case _ => key
    }
  }


  /**
    * 给key一个0-10的随机数前缀
    * @param key
    * @return
    */
  def prefix(key:String):String={
    s"${Random.nextInt(10)}@${key}"
  }

解决方案四：将reduce join转为map join

**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。

**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。

**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。

**方案优点：**对join操作导致的数据倾斜，效果非常好，因为根本就不会发生shuffle，也就根本不会发生数据倾斜。

**方案缺点：**适用场景较少，因为这个方案只适用于一个大表和一个小表的情况。毕竟我们需要将小表进行广播，此时会比较消耗内存资源，driver和每个Executor内存中都会驻留一份小RDD的全量数据。如果我们广播出去的RDD数据比较大，比如10G以上，那么就可能发生内存溢出了。因此并不适合两个都是大表的情况。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-asQ79e0G-1580121137228)(https://s.iteblog.com/pic/shuffle-skwed-map-join.png)]

代码实现:

/**
  *spark sql将reduce join转成map join，
  	首先需要配置spark.sql.autoBroadcastJoinThreshold参数。
  	其次需要将小表cache:spark.sql("cache table 小表")
  */
val spark = SparkSession.builder().master("local[*]").appName("test")
	   //此处设置的小表大小是指广播表的数据量的最大值为100M
      .config("spark.sql.autoBroadcastJoinThreshold","104857600") 
      .getOrCreate()

def solution3(spark:SparkSession)={
    import spark.implicits._
    Seq[Student](
      Student("1","李四","class_01"),
      Student("2","王五","class_01"),
      Student("3","赵柳","class_01"),
      Student("4","钱琪","class_01"),
      Student("5","张三","class_01"),
      Student("6","tom","class_01"),
      Student("7","jimmy","class_02"),
      Student("8","韩梅梅","class_04"),
      Student("9","李雷","class_02"),
      Student("10","李雷","class_05")
    ).toDF().createOrReplaceTempView("student")


    Seq[StudentClass](
      StudentClass("class_01","大数据班"),
      StudentClass("class_02","JavaEE班"),
      StudentClass("class_03","Python班"),
      StudentClass("class_04","新媒体班"),
      StudentClass("class_05",".Net班")
    ).toDF().createOrReplaceTempView("t_class")
	//需要将小表cache,单独设置广播参数无效
    spark.sql("cache table t_class")

    spark.sql(
      """
        |select a.id,a.name,b.name
        | from student a left join t_class b
        | on a.classId = b.classId
      """.stripMargin).show()

  }

解决方案五：采样倾斜key并分拆join操作

**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。

方案实现思路：

1、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。
　　2、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。
　　3、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。
　　4、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。
　　5、而另外两个普通的RDD就照常join即可。
　　6、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。

**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。

**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。

**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。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-C8t333NZ-1580121137230)(https://s.iteblog.com/pic/shuffle-skwed-sample-expand.png)]

代码实现：

def solution4(spark: SparkSession)={
    import spark.implicits._
    val studentDF = Seq[Student](
      Student("1","李四","class_01"),
      Student("2","王五","class_01"),
      Student("3","赵柳","class_01"),
      Student("4","钱琪","class_02"),
      Student("5","张三","class_04"),
      Student("6","tom","class_01"),
      Student("7","jimmy","class_02"),
      Student("8","韩梅梅","class_02"),
      Student("9","李雷","class_02"),
      Student("10","李雷","class_05")
    ).toDF()


    val classDF = Seq[StudentClass](
      StudentClass("class_01","大数据班"),
      StudentClass("class_02","JavaEE班"),
      StudentClass("class_03","Python班"),
      StudentClass("class_04","新媒体班"),
      StudentClass("class_05",".Net班")
    ).toDF()
	//注册为key添加前缀的udf
    spark.udf.register("prefix",prefix _)
    //为扩容表的key添加前缀
    spark.udf.register("prefixClasId",prefixClasId _)
	//将产生倾斜的key过滤出来单独处理,并加上前缀
    studentDF
      .filter("classId = 'class_01' or classId='class_02'")
      .selectExpr("id","name","prefix(classId) classId")
      .createOrReplaceTempView("t_student_class_01_02")
    //为产生倾斜的数据
    studentDF
    .filter("classId != 'class_01' and classId!='class_02'")
    .createOrReplaceTempView("t_student_class_other")

	//将class表中过滤出倾斜key，并扩容n倍
    dilatationDF(spark,classDF.filter("id='class_01' or id='class_02'"))
    .createOrReplaceTempView("t_class_01_02")
    
    classDF.filter("id!='class_01' and id!='class_02'")
    .createOrReplaceTempView("t_class_other")

	
    val result1 = spark.sql(
      """
        |select s.id,s.name,c.name
        | from t_student_class_01_02 s left join t_class_01_02 c
        | on s.classId = c.id
      """.stripMargin)

    val result2 = spark.sql(
      """
        |select s.id,s.name,c.name
        | from t_student_class_other s left join t_class_other c
        | on s.classId = c.id
      """.stripMargin)

    result1.union(result2).show()
  }
	
  /**
  	*扩容表
    */
  def dilatationDF(spark:SparkSession,df:DataFrame):DataFrame={

    var resultDF:DataFrame = spark.createDataFrame(spark.sparkContext.emptyRDD[Row],df.schema)
    for(i<- 0 until  10){
      val dfi = df.selectExpr(s"prefixClasId(id,${i}) id","name")

      resultDF = resultDF.union(dfi)
    }
    resultDF
  }
  /**
  	*将class表中id字段添加前缀
    */
  def prefixClasId(id:String,random:Int):String={
    s"${random}-${id}"
  }

def prefix(name:String)={
    name match {
        case "class_01"  => s"${Random.nextInt(10)}-${name}"
        case  "class_02" => s"${Random.nextInt(10)}-${name}"
        case _ => name
    }

解决方案六：使用随机前缀和扩容RDD进行join

**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。

方案实现思路：

1、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。
　　2、然后将该RDD的每条数据都打上一个n以内的随机前缀。
　　3、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。
　　4、最后将两个处理后的RDD进行join即可。

**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。

**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。

**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。

**方案实践经验：**曾经开发一个数据需求的时候，发现一个join导致了数据倾斜。优化之前，作业的执行时间大约是60分钟左右；使用该方案优化之后，执行时间缩短到10分钟左右，性能提升了6倍。

代码实现:

def solution8(spark:SparkSession)={
    import spark.implicits._
    val studentDF = Seq[Student](
      Student("1","李四","class_01"),
      Student("2","王五","class_01"),
      Student("3","赵柳","class_01"),
      Student("4","钱琪","class_02"),
      Student("5","张三","class_04"),
      Student("6","tom","class_01"),
      Student("7","jimmy","class_02"),
      Student("8","韩梅梅","class_02"),
      Student("9","李雷","class_02"),
      Student("10","李雷","class_05")
    ).toDF()


    val classDF = Seq[StudentClass](
      StudentClass("class_01","大数据班"),
      StudentClass("class_02","JavaEE班"),
      StudentClass("class_03","Python班"),
      StudentClass("class_04","新媒体班"),
      StudentClass("class_05",".Net班")
    ).toDF()

    spark.udf.register("prefix",newprefix _)
    spark.udf.register("prefixClasId",prefixClasId _)
    //为key添加前缀
    studentDF.selectExpr("id","name","prefix(classId) classId").createOrReplaceTempView("t_student")

    //扩容class表
    dilatationDF(spark,classDF).createOrReplaceTempView("t_class")

    spark.sql(
      """
        |select s.id,s.name,s.classId,c.id,c.name
        | from t_student s left join t_class c
        | on s.classId = c.id
      """.stripMargin).show
  }
  //添加随机前缀 	
  def newprefix(name:String)={
    s"${Random.nextInt(10)}-${name}"
  }
//扩容表
def dilatationDF(spark:SparkSession,df:DataFrame):DataFrame={

    var resultDF:DataFrame = spark.createDataFrame(spark.sparkContext.emptyRDD[Row],df.schema)
    for(i<- 0 until  10){
      val dfi = df.selectExpr(s"prefixClasId(id,${i}) id","name")

      resultDF = resultDF.union(dfi)
    }
    resultDF
  }

解决方案七：多种方案组合使用

s" ${Random.nextInt(10)}-${name}"
}
//扩容表
def dilatationDF(spark:SparkSession,df:DataFrame):DataFrame={

var resultDF:DataFrame = spark.createDataFrame(spark.sparkContext.emptyRDD[Row],df.schema)
for(i<- 0 until  10){
  val dfi = df.selectExpr(s"prefixClasId(id,${i}) id","name")

  resultDF = resultDF.union(dfi)
}
resultDF

}

### 解决方案七：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。