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"
{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。