Spark數(shù)據(jù)傾斜問題解決方案全面總結(jié)

摘要

本文結(jié)合實例詳細闡明了Spark數(shù)據(jù)傾斜的幾種場景以及對應(yīng)的解決方案，包括避免數(shù)據(jù)源傾斜，調(diào)整并行度，使用自定義Partitioner，使用Map側(cè)Join代替Reduce側(cè)Join，給傾斜Key加上隨機前綴等。

為何要處理數(shù)據(jù)傾斜（Data Skew）

什么是數(shù)據(jù)傾斜

對Spark/Hadoop這樣的大數(shù)據(jù)系統(tǒng)來講，數(shù)據(jù)量大并不可怕，可怕的是數(shù)據(jù)傾斜。

何謂數(shù)據(jù)傾斜？數(shù)據(jù)傾斜指的是，并行處理的數(shù)據(jù)集中，某一部分（如Spark或Kafka的一個Partition）的數(shù)據(jù)顯著多于其它部分，從而使得該部分的處理速度成為整個數(shù)據(jù)集處理的瓶頸。

對于分布式系統(tǒng)而言，理想情況下，隨著系統(tǒng)規(guī)模（節(jié)點數(shù)量）的增加，應(yīng)用整體耗時線性下降。如果一臺機器處理一批大量數(shù)據(jù)需要120分鐘，當機器數(shù)量增加到三時，理想的耗時為120 / 3 = 40分鐘，如下圖所示

但是，上述情況只是理想情況，實際上將單機任務(wù)轉(zhuǎn)換成分布式任務(wù)后，會有overhead，使得總的任務(wù)量較之單機時有所增加，所以每臺機器的執(zhí)行時間加起來比單臺機器時更大。這里暫不考慮這些overhead，假設(shè)單機任務(wù)轉(zhuǎn)換成分布式任務(wù)后，總?cè)蝿?wù)量不變。　　 但即使如此，想做到分布式情況下每臺機器執(zhí)行時間是單機時的1 / N，就必須保證每臺機器的任務(wù)量相等。不幸的是，很多時候，任務(wù)的分配是不均勻的，甚至不均勻到大部分任務(wù)被分配到個別機器上，其它大部分機器所分配的任務(wù)量只占總得的小部分。比如一臺機器負責(zé)處理80%的任務(wù)，另外兩臺機器各處理10%的任務(wù)，如下圖所示

在上圖中，機器數(shù)據(jù)增加為三倍，但執(zhí)行時間只降為原來的80%，遠低于理想值。　　

數(shù)據(jù)傾斜的危害

從上圖可見，當出現(xiàn)數(shù)據(jù)傾斜時，小量任務(wù)耗時遠高于其它任務(wù)，從而使得整體耗時過大，未能充分發(fā)揮分布式系統(tǒng)的并行計算優(yōu)勢。　　 另外，當發(fā)生數(shù)據(jù)傾斜時，部分任務(wù)處理的數(shù)據(jù)量過大，可能造成內(nèi)存不足使得任務(wù)失敗，并進而引進整個應(yīng)用失敗。　　

數(shù)據(jù)傾斜是如何造成的

在Spark中，同一個Stage的不同Partition可以并行處理，而具有依賴關(guān)系的不同Stage之間是串行處理的。假設(shè)某個Spark Job分為Stage 0和Stage 1兩個Stage，且Stage 1依賴于Stage 0，那Stage 0完全處理結(jié)束之前不會處理Stage 1。而Stage 0可能包含N個Task，這N個Task可以并行進行。如果其中N-1個Task都在10秒內(nèi)完成，而另外一個Task卻耗時1分鐘，那該Stage的總時間至少為1分鐘。換句話說，一個Stage所耗費的時間，主要由最慢的那個Task決定。

由于同一個Stage內(nèi)的所有Task執(zhí)行相同的計算，在排除不同計算節(jié)點計算能力差異的前提下，不同Task之間耗時的差異主要由該Task所處理的數(shù)據(jù)量決定。

Stage的數(shù)據(jù)來源主要分為如下兩類

• 從數(shù)據(jù)源直接讀取。如讀取HDFS，Kafka

• 讀取上一個Stage的Shuffle數(shù)據(jù)

如何緩解/消除數(shù)據(jù)傾斜

避免數(shù)據(jù)源的數(shù)據(jù)傾斜 ———— 讀Kafka

以Spark Stream通過DirectStream方式讀取Kafka數(shù)據(jù)為例。由于Kafka的每一個Partition對應(yīng)Spark的一個Task（Partition），所以Kafka內(nèi)相關(guān)Topic的各Partition之間數(shù)據(jù)是否平衡，直接決定Spark處理該數(shù)據(jù)時是否會產(chǎn)生數(shù)據(jù)傾斜。

如《Kafka設(shè)計解析（一）- Kafka背景及架構(gòu)介紹》一文所述，Kafka某一Topic內(nèi)消息在不同Partition之間的分布，主要由Producer端所使用的Partition實現(xiàn)類決定。如果使用隨機Partitioner，則每條消息會隨機發(fā)送到一個Partition中，從而從概率上來講，各Partition間的數(shù)據(jù)會達到平衡。此時源Stage（直接讀取Kafka數(shù)據(jù)的Stage）不會產(chǎn)生數(shù)據(jù)傾斜。

但很多時候，業(yè)務(wù)場景可能會要求將具備同一特征的數(shù)據(jù)順序消費，此時就需要將具有相同特征的數(shù)據(jù)放于同一個Partition中。一個典型的場景是，需要將同一個用戶相關(guān)的PV信息置于同一個Partition中。此時，如果產(chǎn)生了數(shù)據(jù)傾斜，則需要通過其它方式處理。

避免數(shù)據(jù)源的數(shù)據(jù)傾斜 ———— 讀文件

原理

Spark以通過textFile(path, minPartitions)方法讀取文件時，使用TextFileFormat。

對于不可切分的文件，每個文件對應(yīng)一個Split從而對應(yīng)一個Partition。此時各文件大小是否一致，很大程度上決定了是否存在數(shù)據(jù)源側(cè)的數(shù)據(jù)傾斜。另外，對于不可切分的壓縮文件，即使壓縮后的文件大小一致，它所包含的實際數(shù)據(jù)量也可能差別很多，因為源文件數(shù)據(jù)重復(fù)度越高，壓縮比越高。反過來，即使壓縮文件大小接近，但由于壓縮比可能差距很大，所需處理的數(shù)據(jù)量差距也可能很大。

此時可通過在數(shù)據(jù)生成端將不可切分文件存儲為可切分文件，或者保證各文件包含數(shù)據(jù)量相同的方式避免數(shù)據(jù)傾斜。

對于可切分的文件，每個Split大小由如下算法決定。其中g(shù)oalSize等于所有文件總大小除以minPartitions。而blockSize，如果是HDFS文件，由文件本身的block大小決定；如果是Linux本地文件，且使用本地模式，由fs.local.block.size決定。

protected long computeSplitSize(long goalSize, long minSize, long blockSize) {
return Math.max(minSize, Math.min(goalSize, blockSize));
}

默認情況下各Split的大小不會太大，一般相當于一個Block大小（在Hadoop 2中，默認值為128MB），所以數(shù)據(jù)傾斜問題不明顯。如果出現(xiàn)了嚴重的數(shù)據(jù)傾斜，可通過上述參數(shù)調(diào)整。

案例

現(xiàn)通過腳本生成一些文本文件，并通過如下代碼進行簡單的單詞計數(shù)。為避免Shuffle，只計單詞總個數(shù)，不須對單詞進行分組計數(shù)。

SparkConf sparkConf = new SparkConf()
.setAppName("ReadFileSkewDemo");
JavaSparkContext javaSparkContext = new JavaSparkContext(sparkConf);
long count = javaSparkContext.textFile(inputFile, minPartitions)
.flatMap((String line) -> Arrays.asList(line.split(" ")).iterator()).count();
System.out.printf("total words : %s", count);
javaSparkContext.stop();

總共生成如下11個csv文件，其中10個大小均為271.9MB，另外一個大小為8.5GB。

之后將8.5GB大小的文件使用gzip壓縮，壓縮后大小僅為25.3MB。

使用如上代碼對未壓縮文件夾進行單詞計數(shù)操作。Split大小為 max(minSize, min(goalSize, blockSize) = max(1 B, min((271.9 10+8.5 1024) / 1 MB, 128 MB) = 128MB。無明顯數(shù)據(jù)傾斜。

使用同樣代碼對包含壓縮文件的文件夾進行同樣的單詞計數(shù)操作。未壓縮文件的Split大小仍然為128MB，而壓縮文件（gzip壓縮）由于不可切分，且大小僅為25.3MB，因此該文件作為一個單獨的Split/Partition。雖然該文件相對較小，但是它由8.5GB文件壓縮而來，包含數(shù)據(jù)量是其它未壓縮文件的32倍，因此處理該Split/Partition/文件的Task耗時為4.4分鐘，遠高于其它Task的10秒。

由于上述gzip壓縮文件大小為25.3MB，小于128MB的Split大小，不能證明gzip壓縮文件不可切分。現(xiàn)將minPartitions從默認的1設(shè)置為229，從而目標Split大小為max(minSize, min(goalSize, blockSize) = max(1 B, min((271.9 * 10+25.3) / 229 MB, 128 MB) = 12 MB。如果gzip壓縮文件可切分，則所有Split/Partition大小都不會遠大于12。反之，如果仍然存在25.3MB的Partition，則說明gzip壓縮文件確實不可切分，在生成不可切分文件時需要如上文所述保證各文件數(shù)量大大致相同。

如下圖所示，gzip壓縮文件對應(yīng)的Split/Partition大小為25.3MB，其它Split大小均為12MB左右。而該Task耗時4.7分鐘，遠大于其它Task的4秒。

總結(jié)

適用場景 數(shù)據(jù)源側(cè)存在不可切分文件，且文件內(nèi)包含的數(shù)據(jù)量相差較大。

解決方案 盡量使用可切分的格式代替不可切分的格式，或者保證各文件實際包含數(shù)據(jù)量大致相同。

優(yōu)勢 可撤底消除數(shù)據(jù)源側(cè)數(shù)據(jù)傾斜，效果顯著。

劣勢 數(shù)據(jù)源一般來源于外部系統(tǒng)，需要外部系統(tǒng)的支持。

調(diào)整并行度分散同一個Task的不同Key

原理

Spark在做Shuffle時，默認使用HashPartitioner（非Hash Shuffle）對數(shù)據(jù)進行分區(qū)。如果并行度設(shè)置的不合適，可能造成大量不相同的Key對應(yīng)的數(shù)據(jù)被分配到了同一個Task上，造成該Task所處理的數(shù)據(jù)遠大于其它Task，從而造成數(shù)據(jù)傾斜。

如果調(diào)整Shuffle時的并行度，使得原本被分配到同一Task的不同Key發(fā)配到不同Task上處理，則可降低原Task所需處理的數(shù)據(jù)量，從而緩解數(shù)據(jù)傾斜問題造成的短板效應(yīng)。

案例

現(xiàn)有一張測試表，名為student_external，內(nèi)有10.5億條數(shù)據(jù)，每條數(shù)據(jù)有一個唯一的id值。現(xiàn)從中取出id取值為9億到10.5億的共1.5億條數(shù)據(jù)，并通過一些處理，使得id為9億到9.4億間的所有數(shù)據(jù)對12取模后余數(shù)為8（即在Shuffle并行度為12時該數(shù)據(jù)集全部被HashPartition分配到第8個Task），其它數(shù)據(jù)集對其id除以100取整，從而使得id大于9.4億的數(shù)據(jù)在Shuffle時可被均勻分配到所有Task中，而id小于9.4億的數(shù)據(jù)全部分配到同一個Task中。處理過程如下

INSERT OVERWRITE TABLE test
SELECT CASE WHEN id < 940000000 THEN (9500000  + (CAST (RAND() * 8 AS INTEGER)) * 12 )
   ELSE CAST(id/100 AS INTEGER)
   END,
   name
 FROM student_external
WHERE id BETWEEN 900000000 AND 1050000000;

通過上述處理，一份可能造成后續(xù)數(shù)據(jù)傾斜的測試數(shù)據(jù)即以準備好。接下來，使用Spark讀取該測試數(shù)據(jù)，并通過groupByKey(12)對id分組處理，且Shuffle并行度為12。代碼如下

public class SparkDataSkew {
 public static void main(String[] args) {
SparkSession sparkSession = SparkSession.builder()
  .appName("SparkDataSkewTunning")
  .config("hive.metastore.uris", "thrift://hadoop1:9083")
  .enableHiveSupport()
  .getOrCreate();

Dataset<Row> dataframe = sparkSession.sql( "select * from test");
dataframe.toJavaRDD()
  .mapToPair((Row row) -> new Tuple2<Integer, String>(row.getInt(0),row.getString(1)))
  .groupByKey(12)
  .mapToPair((Tuple2<Integer, Iterable<String>> tuple) -> {
    int id = tuple._1();
    AtomicInteger atomicInteger = new AtomicInteger(0);
    tuple._2().forEach((String name) -> atomicInteger.incrementAndGet());
    return new Tuple2<Integer, Integer>(id, atomicInteger.get());
  }).count();

  sparkSession.stop();
  sparkSession.close();
  }

}

本次實驗所使用集群節(jié)點數(shù)為4，每個節(jié)點可被Yarn使用的CPU核數(shù)為16，內(nèi)存為16GB。使用如下方式提交上述應(yīng)用，將啟動4個Executor，每個Executor可使用核數(shù)為12（該配置并非生產(chǎn)環(huán)境下的最優(yōu)配置，僅用于本文實驗），可用內(nèi)存為12GB。

spark-submit --queue ambari --num-executors 4 --executor-cores 12 --executor-memory 12g  --class com.jasongj.spark.driver.SparkDataSkew --master yarn --deploy-mode client SparkExample-with-dependencies-1.0.jar

GroupBy Stage的Task狀態(tài)如下圖所示，Task 8處理的記錄數(shù)為4500萬，遠大于（9倍于）其它11個Task處理的500萬記錄。而Task 8所耗費的時間為38秒，遠高于其它11個Task的平均時間（16秒）。整個Stage的時間也為38秒，該時間主要由最慢的Task 8決定。

在這種情況下，可以通過調(diào)整Shuffle并行度，使得原來被分配到同一個Task（即該例中的Task 8）的不同Key分配到不同Task，從而降低Task 8所需處理的數(shù)據(jù)量，緩解數(shù)據(jù)傾斜。

通過groupByKey(48)將Shuffle并行度調(diào)整為48，重新提交到Spark。新的Job的GroupBy Stage所有Task狀態(tài)如下圖所示。

從上圖可知，記錄數(shù)最多的Task 20處理的記錄數(shù)約為1125萬，相比于并行度為12時Task 8的4500萬，降低了75%左右，而其耗時從原來Task 8的38秒降到了24秒。

在這種場景下，調(diào)整并行度，并不意味著一定要增加并行度，也可能是減小并行度。如果通過groupByKey(11)將Shuffle并行度調(diào)整為11，重新提交到Spark。新Job的GroupBy Stage的所有Task狀態(tài)如下圖所示。

從上圖可見，處理記錄數(shù)最多的Task 6所處理的記錄數(shù)約為1045萬，耗時為23秒。處理記錄數(shù)最少的Task 1處理的記錄數(shù)約為545萬，耗時12秒。

總結(jié)

適用場景 大量不同的Key被分配到了相同的Task造成該Task數(shù)據(jù)量過大。

解決方案 調(diào)整并行度。一般是增大并行度，但有時如本例減小并行度也可達到效果。

優(yōu)勢 實現(xiàn)簡單，可在需要Shuffle的操作算子上直接設(shè)置并行度或者使用spark.default.parallelism設(shè)置。如果是Spark SQL，還可通過SET spark.sql.shuffle.partitions=[num_tasks]設(shè)置并行度。可用最小的代價解決問題。一般如果出現(xiàn)數(shù)據(jù)傾斜，都可以通過這種方法先試驗幾次，如果問題未解決，再嘗試其它方法。

劣勢 適用場景少，只能將分配到同一Task的不同Key分散開，但對于同一Key傾斜嚴重的情況該方法并不適用。并且該方法一般只能緩解數(shù)據(jù)傾斜，沒有徹底消除問題。從實踐經(jīng)驗來看，其效果一般。

自定義Partitioner

原理

使用自定義的Partitioner（默認為HashPartitioner），將原本被分配到同一個Task的不同Key分配到不同Task。

案例

以上述數(shù)據(jù)集為例，繼續(xù)將并發(fā)度設(shè)置為12，但是在groupByKey算子上，使用自定義的Partitioner（實現(xiàn)如下）

    .groupByKey(new Partitioner() {
 @Override
 public int numPartitions() {
return 12;
   }

 @Override
public int getPartition(Object key) {
int id = Integer.parseInt(key.toString());
if(id >= 9500000 && id <= 9500084 && ((id - 9500000) % 12) == 0) {
  return (id - 9500000) / 12;
} else {
  return id % 12;
    }
  }
})

由下圖可見，使用自定義Partition后，耗時最長的Task 6處理約1000萬條數(shù)據(jù)，用時15秒。并且各Task所處理的數(shù)據(jù)集大小相當。

總結(jié)

適用場景 大量不同的Key被分配到了相同的Task造成該Task數(shù)據(jù)量過大。

解決方案 使用自定義的Partitioner實現(xiàn)類代替默認的HashPartitioner，盡量將所有不同的Key均勻分配到不同的Task中。

優(yōu)勢 不影響原有的并行度設(shè)計。如果改變并行度，后續(xù)Stage的并行度也會默認改變，可能會影響后續(xù)Stage。

劣勢 適用場景有限，只能將不同Key分散開，對于同一Key對應(yīng)數(shù)據(jù)集非常大的場景不適用。效果與調(diào)整并行度類似，只能緩解數(shù)據(jù)傾斜而不能完全消除數(shù)據(jù)傾斜。而且需要根據(jù)數(shù)據(jù)特點自定義專用的Partitioner，不夠靈活。

將Reduce side Join轉(zhuǎn)變?yōu)镸ap side Join

原理 通過Spark的Broadcast機制，將Reduce側(cè)Join轉(zhuǎn)化為Map側(cè)Join，避免Shuffle從而完全消除Shuffle帶來的數(shù)據(jù)傾斜。

案例

通過如下SQL創(chuàng)建一張具有傾斜Key且總記錄數(shù)為1.5億的大表test。

INSERT OVERWRITE TABLE test
SELECT CAST(CASE WHEN id < 980000000 THEN (95000000  + (CAST (RAND() * 4 AS INT) + 1) * 48 )
   ELSE CAST(id/10 AS INT) END AS STRING),
   name
 FROM student_external
WHERE id BETWEEN 900000000 AND 1050000000;

使用如下SQL創(chuàng)建一張數(shù)據(jù)分布均勻且總記錄數(shù)為50萬的小表test_new。

INSERT OVERWRITE TABLE test_new
SELECT CAST(CAST(id/10 AS INT) AS STRING),
    name
 FROM student_delta_external
WHERE id BETWEEN 950000000 AND 950500000;

直接通過Spark Thrift Server提交如下SQL將表test與表test_new進行Join并將Join結(jié)果存于表test_join中。

INSERT OVERWRITE TABLE test_join
SELECT test_new.id, test_new.name
FROM test
JOIN test_new
ON test.id = test_new.id;

該SQL對應(yīng)的DAG如下圖所示。從該圖可見，該執(zhí)行過程總共分為三個Stage，前兩個用于從Hive中讀取數(shù)據(jù)，同時二者進行Shuffle，通過最后一個Stage進行Join并將結(jié)果寫入表test_join中。

從下圖可見，Join Stage各Task處理的數(shù)據(jù)傾斜嚴重，處理數(shù)據(jù)量最大的Task耗時7.1分鐘，遠高于其它無數(shù)據(jù)傾斜的Task約2秒的耗時。

接下來，嘗試通過Broadcast實現(xiàn)Map側(cè)Join。實現(xiàn)Map側(cè)Join的方法，并非直接通過CACHE TABLE test_new將小表test_new進行cache。現(xiàn)通過如下SQL進行Join。

CACHE TABLE test_new;
INSERT OVERWRITE TABLE test_join
SELECT test_new.id, test_new.name
FROM test
JOIN test_new
ON test.id = test_new.id;

通過如下DAG圖可見，該操作仍分為三個Stage，且仍然有Shuffle存在，唯一不同的是，小表的讀取不再直接掃描Hive表，而是掃描內(nèi)存中緩存的表。

并且數(shù)據(jù)傾斜仍然存在。如下圖所示，最慢的Task耗時為7.1分鐘，遠高于其它Task的約2秒。

正確的使用Broadcast實現(xiàn)Map側(cè)Join的方式是，通過SET spark.sql.autoBroadcastJoinThreshold=104857600;將Broadcast的閾值設(shè)置得足夠大。

再次通過如下SQL進行Join。

SET spark.sql.autoBroadcastJoinThreshold=104857600;
INSERT OVERWRITE TABLE test_join
SELECT test_new.id, test_new.name
FROM test
JOIN test_new
ON test.id = test_new.id;

通過如下DAG圖可見，該方案只包含一個Stage。

并且從下圖可見，各Task耗時相當，無明顯數(shù)據(jù)傾斜現(xiàn)象。并且總耗時為1.5分鐘，遠低于Reduce側(cè)Join的7.3分鐘。

總結(jié)

適用場景 參與Join的一邊數(shù)據(jù)集足夠小，可被加載進Driver并通過Broadcast方法廣播到各個Executor中。

解決方案 在Java/Scala代碼中將小數(shù)據(jù)集數(shù)據(jù)拉取到Driver，然后通過Broadcast方案將小數(shù)據(jù)集的數(shù)據(jù)廣播到各Executor。或者在使用SQL前，將Broadcast的閾值調(diào)整得足夠大，從而使用Broadcast生效。進而將Reduce側(cè)Join替換為Map側(cè)Join。

優(yōu)勢 避免了Shuffle，徹底消除了數(shù)據(jù)傾斜產(chǎn)生的條件，可極大提升性能。

劣勢 要求參與Join的一側(cè)數(shù)據(jù)集足夠小，并且主要適用于Join的場景，不適合聚合的場景，適用條件有限。

為skew的key增加隨機前/后綴

原理 為數(shù)據(jù)量特別大的Key增加隨機前/后綴，使得原來Key相同的數(shù)據(jù)變?yōu)镵ey不相同的數(shù)據(jù)，從而使傾斜的數(shù)據(jù)集分散到不同的Task中，徹底解決數(shù)據(jù)傾斜問題。Join另一則的數(shù)據(jù)中，與傾斜Key對應(yīng)的部分數(shù)據(jù)，與隨機前綴集作笛卡爾乘積，從而保證無論數(shù)據(jù)傾斜側(cè)傾斜Key如何加前綴，都能與之正常Join。

案例

通過如下SQL，將id為9億到9.08億共800萬條數(shù)據(jù)的id轉(zhuǎn)為9500048或者9500096，其它數(shù)據(jù)的id除以100取整。從而該數(shù)據(jù)集中，id為9500048和9500096的數(shù)據(jù)各400萬，其它id對應(yīng)的數(shù)據(jù)記錄數(shù)均為100條。這些數(shù)據(jù)存于名為test的表中。

對于另外一張小表test_new，取出50萬條數(shù)據(jù)，并將id（遞增且唯一）除以100取整，使得所有id都對應(yīng)100條數(shù)據(jù)。

INSERT OVERWRITE TABLE test
SELECT CAST(CASE WHEN id < 908000000 THEN (9500000  + (CAST (RAND() * 2 AS INT) + 1) * 48 )
 ELSE CAST(id/100 AS INT) END AS STRING),
 name
FROM student_external
WHERE id BETWEEN 900000000 AND 1050000000;

INSERT OVERWRITE TABLE test_new
SELECT CAST(CAST(id/100 AS INT) AS STRING),
 name
FROM student_delta_external
WHERE id BETWEEN 950000000 AND 950500000;

通過如下代碼，讀取test表對應(yīng)的文件夾內(nèi)的數(shù)據(jù)并轉(zhuǎn)換為JavaPairRDD存于leftRDD中，同樣讀取test表對應(yīng)的數(shù)據(jù)存于rightRDD中。通過RDD的join算子對leftRDD與rightRDD進行Join，并指定并行度為48。

public class SparkDataSkew{
 public static void main(String[] args) {
SparkConf sparkConf = new SparkConf();
sparkConf.setAppName("DemoSparkDataFrameWithSkewedBigTableDirect");
sparkConf.set("spark.default.parallelism", String.valueOf(parallelism));
JavaSparkContext javaSparkContext = new JavaSparkContext(sparkConf);

JavaPairRDD<String, String> leftRDD = javaSparkContext.textFile("hdfs://hadoop1:8020/apps/hive/warehouse/default/test/")
  .mapToPair((String row) -> {
    String[] str = row.split(",");
    return new Tuple2<String, String>(str[0], str[1]);
  });

JavaPairRDD<String, String> rightRDD = javaSparkContext.textFile("hdfs://hadoop1:8020/apps/hive/warehouse/default/test_new/")
  .mapToPair((String row) -> {
    String[] str = row.split(",");
      return new Tuple2<String, String>(str[0], str[1]);
  });

leftRDD.join(rightRDD, parallelism)
  .mapToPair((Tuple2<String, Tuple2<String, String>> tuple) -> new Tuple2<String, String>(tuple._1(), tuple._2()._2()))
  .foreachPartition((Iterator<Tuple2<String, String>> iterator) -> {
    AtomicInteger atomicInteger = new AtomicInteger();
      iterator.forEachRemaining((Tuple2<String, String> tuple) -> atomicInteger.incrementAndGet());
  });

javaSparkContext.stop();
javaSparkContext.close();
  }
}

從下圖可看出，整個Join耗時1分54秒，其中Join Stage耗時1.7分鐘。

通過分析Join Stage的所有Task可知，在其它Task所處理記錄數(shù)為192.71萬的同時Task 32的處理的記錄數(shù)為992.72萬，故它耗時為1.7分鐘，遠高于其它Task的約10秒。這與上文準備數(shù)據(jù)集時，將id為9500048為9500096對應(yīng)的數(shù)據(jù)量設(shè)置非常大，其它id對應(yīng)的數(shù)據(jù)集非常均勻相符合。

現(xiàn)通過如下操作，實現(xiàn)傾斜Key的分散處理

• 將leftRDD中傾斜的key（即9500048與9500096）對應(yīng)的數(shù)據(jù)單獨過濾出來，且加上1到24的隨機前綴，并將前綴與原數(shù)據(jù)用逗號分隔（以方便之后去掉前綴）形成單獨的leftSkewRDD

• 將rightRDD中傾斜key對應(yīng)的數(shù)據(jù)抽取出來，并通過flatMap操作將該數(shù)據(jù)集中每條數(shù)據(jù)均轉(zhuǎn)換為24條數(shù)據(jù)（每條分別加上1到24的隨機前綴），形成單獨的rightSkewRDD

• 將leftSkewRDD與rightSkewRDD進行Join，并將并行度設(shè)置為48，且在Join過程中將隨機前綴去掉，得到傾斜數(shù)據(jù)集的Join結(jié)果skewedJoinRDD

• 將leftRDD中不包含傾斜Key的數(shù)據(jù)抽取出來作為單獨的leftUnSkewRDD

• 對leftUnSkewRDD與原始的rightRDD進行Join，并行度也設(shè)置為48，得到Join結(jié)果unskewedJoinRDD

• 通過union算子將skewedJoinRDD與unskewedJoinRDD進行合并，從而得到完整的Join結(jié)果集

具體實現(xiàn)代碼如下

public class SparkDataSkew{
public static void main(String[] args) {
  int parallelism = 48;
  SparkConf sparkConf = new SparkConf();
  sparkConf.setAppName("SolveDataSkewWithRandomPrefix");
  sparkConf.set("spark.default.parallelism", parallelism + "");
  JavaSparkContext javaSparkContext = new JavaSparkContext(sparkConf);

  JavaPairRDD<String, String> leftRDD = javaSparkContext.textFile("hdfs://hadoop1:8020/apps/hive/warehouse/default/test/")
    .mapToPair((String row) -> {
      String[] str = row.split(",");
        return new Tuple2<String, String>(str[0], str[1]);
    });

    JavaPairRDD<String, String> rightRDD = javaSparkContext.textFile("hdfs://hadoop1:8020/apps/hive/warehouse/default/test_new/")
      .mapToPair((String row) -> {
        String[] str = row.split(",");
          return new Tuple2<String, String>(str[0], str[1]);
      });

    String[] skewedKeyArray = new String[]{"9500048", "9500096"};
    Set<String> skewedKeySet = new HashSet<String>();
    List<String> addList = new ArrayList<String>();
    for(int i = 1; i <=24; i++) {
        addList.add(i + "");
    }
    for(String key : skewedKeyArray) {
        skewedKeySet.add(key);
    }

    Broadcast<Set<String>> skewedKeys = javaSparkContext.broadcast(skewedKeySet);
    Broadcast<List<String>> addListKeys = javaSparkContext.broadcast(addList);

    JavaPairRDD<String, String> leftSkewRDD = leftRDD
      .filter((Tuple2<String, String> tuple) -> skewedKeys.value().contains(tuple._1()))
      .mapToPair((Tuple2<String, String> tuple) -> new Tuple2<String, String>((new Random().nextInt(24) + 1) + "," + tuple._1(), tuple._2()));

    JavaPairRDD<String, String> rightSkewRDD = rightRDD.filter((Tuple2<String, String> tuple) -> skewedKeys.value().contains(tuple._1()))
      .flatMapToPair((Tuple2<String, String> tuple) -> addListKeys.value().stream()
      .map((String i) -> new Tuple2<String, String>( i + "," + tuple._1(), tuple._2()))
      .collect(Collectors.toList())
      .iterator()
    );

    JavaPairRDD<String, String> skewedJoinRDD = leftSkewRDD
      .join(rightSkewRDD, parallelism)
      .mapToPair((Tuple2<String, Tuple2<String, String>> tuple) -> new Tuple2<String, String>(tuple._1().split(",")[1], tuple._2()._2()));

    JavaPairRDD<String, String> leftUnSkewRDD = leftRDD.filter((Tuple2<String, String> tuple) -> !skewedKeys.value().contains(tuple._1()));
    JavaPairRDD<String, String> unskewedJoinRDD = leftUnSkewRDD.join(rightRDD, parallelism).mapToPair((Tuple2<String, Tuple2<String, String>> tuple) -> new Tuple2<String, String>(tuple._1(), tuple._2()._2()));

    skewedJoinRDD.union(unskewedJoinRDD).foreachPartition((Iterator<Tuple2<String, String>> iterator) -> {
      AtomicInteger atomicInteger = new AtomicInteger();
      iterator.forEachRemaining((Tuple2<String, String> tuple) -> atomicInteger.incrementAndGet());
    });

    javaSparkContext.stop();
    javaSparkContext.close();
    }
}

從下圖可看出，整個Join耗時58秒，其中Join Stage耗時33秒。

通過分析Join Stage的所有Task可知

• 由于Join分傾斜數(shù)據(jù)集Join和非傾斜數(shù)據(jù)集Join，而各Join的并行度均為48，故總的并行度為96

• 由于提交任務(wù)時，設(shè)置的Executor個數(shù)為4，每個Executor的core數(shù)為12，故可用Core數(shù)為48，所以前48個Task同時啟動（其Launch時間相同），后48個Task的啟動時間各不相同（等待前面的Task結(jié)束才開始）

• 由于傾斜Key被加上隨機前綴，原本相同的Key變?yōu)椴煌腒ey，被分散到不同的Task處理，故在所有Task中，未發(fā)現(xiàn)所處理數(shù)據(jù)集明顯高于其它Task的情況

實際上，由于傾斜Key與非傾斜Key的操作完全獨立，可并行進行。而本實驗受限于可用總核數(shù)為48，可同時運行的總Task數(shù)為48，故而該方案只是將總耗時減少一半（效率提升一倍）。如果資源充足，可并發(fā)執(zhí)行Task數(shù)增多，該方案的優(yōu)勢將更為明顯。在實際項目中，該方案往往可提升數(shù)倍至10倍的效率。

總結(jié)

適用場景 兩張表都比較大，無法使用Map則Join。其中一個RDD有少數(shù)幾個Key的數(shù)據(jù)量過大，另外一個RDD的Key分布較為均勻。

解決方案 將有數(shù)據(jù)傾斜的RDD中傾斜Key對應(yīng)的數(shù)據(jù)集單獨抽取出來加上隨機前綴，另外一個RDD每條數(shù)據(jù)分別與隨機前綴結(jié)合形成新的RDD（相當于將其數(shù)據(jù)增到到原來的N倍，N即為隨機前綴的總個數(shù)），然后將二者Join并去掉前綴。然后將不包含傾斜Key的剩余數(shù)據(jù)進行Join。最后將兩次Join的結(jié)果集通過union合并，即可得到全部Join結(jié)果。

優(yōu)勢 相對于Map則Join，更能適應(yīng)大數(shù)據(jù)集的Join。如果資源充足，傾斜部分數(shù)據(jù)集與非傾斜部分數(shù)據(jù)集可并行進行，效率提升明顯。且只針對傾斜部分的數(shù)據(jù)做數(shù)據(jù)擴展，增加的資源消耗有限。

劣勢 如果傾斜Key非常多，則另一側(cè)數(shù)據(jù)膨脹非常大，此方案不適用。而且此時對傾斜Key與非傾斜Key分開處理，需要掃描數(shù)據(jù)集兩遍，增加了開銷。

大表隨機添加N種隨機前綴，小表擴大N倍

原理

如果出現(xiàn)數(shù)據(jù)傾斜的Key比較多，上一種方法將這些大量的傾斜Key分拆出來，意義不大。此時更適合直接對存在數(shù)據(jù)傾斜的數(shù)據(jù)集全部加上隨機前綴，然后對另外一個不存在嚴重數(shù)據(jù)傾斜的數(shù)據(jù)集整體與隨機前綴集作笛卡爾乘積（即將數(shù)據(jù)量擴大N倍）。

案例

這里給出示例代碼，讀者可參考上文中分拆出少數(shù)傾斜Key添加隨機前綴的方法，自行測試。

public class SparkDataSkew {
  public static void main(String[] args) {
SparkConf sparkConf = new SparkConf();
sparkConf.setAppName("ResolveDataSkewWithNAndRandom");
sparkConf.set("spark.default.parallelism", parallelism + "");
JavaSparkContext javaSparkContext = new JavaSparkContext(sparkConf);

JavaPairRDD<String, String> leftRDD = javaSparkContext.textFile("hdfs://hadoop1:8020/apps/hive/warehouse/default/test/")
  .mapToPair((String row) -> {
    String[] str = row.split(",");
    return new Tuple2<String, String>(str[0], str[1]);
  });

JavaPairRDD<String, String> rightRDD = javaSparkContext.textFile("hdfs://hadoop1:8020/apps/hive/warehouse/default/test_new/")
  .mapToPair((String row) -> {
    String[] str = row.split(",");
    return new Tuple2<String, String>(str[0], str[1]);
});

List<String> addList = new ArrayList<String>();
for(int i = 1; i <=48; i++) {
  addList.add(i + "");
   }

Broadcast<List<String>> addListKeys = javaSparkContext.broadcast(addList);

JavaPairRDD<String, String> leftRandomRDD = leftRDD.mapToPair((Tuple2<String, String> tuple) -> new Tuple2<String, String>(new Random().nextInt(48) + "," + tuple._1(), tuple._2()));

JavaPairRDD<String, String> rightNewRDD = rightRDD
  .flatMapToPair((Tuple2<String, String> tuple) -> addListKeys.value().stream()
  .map((String i) -> new Tuple2<String, String>( i + "," + tuple._1(), tuple._2()))
  .collect(Collectors.toList())
  .iterator()
);

JavaPairRDD<String, String> joinRDD = leftRandomRDD
  .join(rightNewRDD, parallelism)
  .mapToPair((Tuple2<String, Tuple2<String, String>> tuple) -> new Tuple2<String, String>(tuple._1().split(",")[1], tuple._2()._2()));

joinRDD.foreachPartition((Iterator<Tuple2<String, String>> iterator) -> {
  AtomicInteger atomicInteger = new AtomicInteger();
  iterator.forEachRemaining((Tuple2<String, String> tuple) -> atomicInteger.incrementAndGet());
});

javaSparkContext.stop();
javaSparkContext.close();
  }
}

總結(jié)

適用場景 一個數(shù)據(jù)集存在的傾斜Key比較多，另外一個數(shù)據(jù)集數(shù)據(jù)分布比較均勻。

優(yōu)勢 對大部分場景都適用，效果不錯。

劣勢 需要將一個數(shù)據(jù)集整體擴大N倍，會增加資源消耗。

總結(jié)

對于數(shù)據(jù)傾斜，并無一個統(tǒng)一的一勞永逸的方法。更多的時候，是結(jié)合數(shù)據(jù)特點（數(shù)據(jù)集大小，傾斜Key的多少等）綜合使用上文所述的多種方法。