hadoop大数据优化之数据倾斜

Posted 2022-02-04 柳小葱

💫一直想写一篇关于数据倾斜的问题，面试必问，可自己又没有碰见过，一直难以下手，最近公司大佬讲述了一节关于数据倾斜的课程，对数据倾斜有了更深的理解，于是想记录一下，关于hadoop的shuffle和spark的shuffle可以查看下面的文章👇:

• hadoop的shuffle: hadoop之MR核心shuffle.
• spark的shuffle: Spark之RDD算子.

🌻关于数据倾斜的原因，其实最容易地就是发生在shuffle过程，在hadoop中，只有单一的MR任务，MR任务会发生shuffle，而spark中有多种丰富的rdd算子，在很多算子中都会发生shuffle过程。本文还是主要讲述hadoop的数据倾斜，也就是我们常说的shuffle过程的数据倾斜，spark数据倾斜的原因和hadoop也差不多。

1. 发生数据倾斜的现象

在数据加工过程中，数据的产出时效要比预期的差很多，加工时间过长，这时候就需要我们对问题进行分析，处理相关问题，由于引擎自带一部分计算策略，加工时间过长问题，大部分是由于数据倾斜造成的：

• spark绝大数task任务执行非常快，几分钟结束任务，但是极个别的task任务执行非常非常慢，会超过一个小时或者更久的时间。
• 用Hive算数据的时候reduce阶段卡在99.99%。
• 在spark作业时候，原本可以正常运行的任务，突然有一天内存溢出而其他的executor内存使用率缺很低。

如图：我们查看hadoop的日志，发现map的任务数是7完成7个，reduce的个数是6完成5个。

我们再看看任务的明细：我们发现以一个reduce任务时间长度远远超过其他reduce任务，很明显发生了数据倾斜。

一般发生数据倾斜的地方都是发生shuffle的地方，典型的rdd算子有：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等，发生倾斜时大家注意一下这些地方。

2. 发生数据倾斜的原理（MR任务）

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。比如大部分key对应10条数据，但是个别key却对应了100万条数据，那么大部分task可能就只会分配到10条数据，然后1秒钟就运行完了；但是个别task可能分配到了100万数据，要运行一两个小时。

3. 解决方式

3.1 将不均匀的key值打散

这种情况就是绝大部分的key对应10%的数据，而很少部分的key对应90%的数据。

对于这种情况，我们可以给key值加上随机数，将数据量过多的key值打散。这种方式特别适合数据的key为空时，数据量特别大，但在做join连接时，key值为空的数据本身就没有意义，还需要分配一个reduce进行计算，而且数据量还很大，所以我们就可以采用拼接的方式，拼接一个字符串。这样子就可以将不同的为空的key打散到不同的reduce中进行计算，提高效率。

concat('字段名',rand())--拼接随机数

3.2 mapjoin的方式

通常我们join的计算方式都是放到reduce端进行计算。
如图所示：下表是reduce join的shuffle过程。（数据倾斜）

• 第一步：将两张表的链接字段作为key值，其他的数据作为value。
• 第二步：将key值相同的进入同一个分区。
• 第三步：reduce拉取对应分区，进行join操作，完成join过程。

这里容易产生数据倾斜的原因是因为join的过程实在reduce过程完成的，如果某个reduce处理数据过多，就会产生倾斜。

解决方式就是采用mapjoin，小表join大表，将小表放在内存。
之所以采用mapjoin的方式，是因为maptask的任务数取决于切片（大小128m）的个数，我们在每一个maptask里面就将join操作完成，后续就不需要reduce端进行处理，这样子就能够避免shuffle操作，从而避免数据倾斜。但是mapjoin的表不能太大，因为小表一般存储在内存中，然后maptask里面的数据通过hash取余的方式选择小表中对应的key值，进行join完成map join的操作。

3.3 利用group by 代替 distinct

我们在统计数量的时候经常会用到：

count(distinct name)

这里并不建议采用distinct，采用distinct会将所有的name的key都shuffle到一个reduce里面，就容易产生数据倾斜。采用group by+聚合函数的方式会将数据根据key值分配到不同的reduce中，避免数据倾斜。

4. 参考资料

• 滴滴数仓开发分享课程（一些案例图片没放，涉及数据隐私）
• 尚硅谷大数据之Hadoop
• hadoop权威指南