什么是数据倾斜

Hadoop能够进行对海量数据进行批处理的核心，在于它的分布式思想，通过多台服务器（节点）组成集群，共同完成任务，进行分布式的数据处理。

理想状态下，一个任务是由集群下所有机器共同承担执行任务，每个节点承担的任务应该相近，但实际上在并行处理过程中，分配到每台节点的数据量并不是均匀的，当大量的数据分配到某一个节点时（假设10个节点，5亿数据），那么原本只需要1小时完成的工作，变成了其中9个节点不到1小时就完成了工作，而分配到了大量数据的节点，花了5个小时才完成

从最终结果来看，就是这个处理10亿数据的任务，集群花了5个小时才最终得出结果。大量的数据集中到了一台或者几台机器上计算，这些数据的计算速度远远低于平均计算速度，导致整个计算过程过慢，这种情况就是发生了数据倾斜。

为什么会导致数据倾斜

数据倾斜发生的原因

1)、key分布不均匀

某些key的数量过于集中，存在大量相同值的数据

存在大量异常值或空值。

2)、业务数据本身的特性

例如某个分公司或某个城市订单量大幅提升几十倍甚至几百倍，对该城市的订单统计聚合时，容易发生数据倾斜。

3)、建表时考虑不周

4)、某些SQL语句本身就有数据倾斜

两个表中关联字段存在大量空值，或是关联字段的数据不统一，例如在A表中值是大写，B表中值是小写等情况。

发生数据倾斜的SQL操作

数据倾斜发生时的现象

MapReduce任务：

主要表现在ruduce阶段卡在99.99%，一直99.99%不能结束。

• 有一个多几个reduce卡住
• 各种container报错OOM
• 读写的数据量极大，至少远远超过其它正常的reduce伴随着数据倾斜，会出现任务被kill等各种诡异的表现。

Spark任务：

• 绝大多数task执行得都非常快，但个别task执行的极慢。
• 单个Executor执行时间特别久，整体任务卡在某个stage不能结束
• Executor lost，OOM，Shuffle过程出错。
• 正常运行的任务突然失败
• 用SparkStreaming做实时算法时候，一直会有executor出现OOM的错误，但是其余的executor内存使用率却很低。

为什么要处理？

首先要知道数据倾斜的危害

1.任务长时间挂起，资源利用率下降

在分阶段执行任务的场景下，阶段与阶段之间通常存在数据上的依赖关系，后一阶段任务需要等前一阶段执行完成才能开始

举个例子

Stage1在Stage0之后执行，假如Stage1依赖Stage0产生的数据结果，那么Stage1必须等待Stage0执行完成后才能开始，如果这时Stage0因为数据倾斜问题，导致任务执行时长过长，或者直接挂起，那么Stage1将一直处于等待状态，整个作业也就一直挂起。这个时候，资源被这个作业占据，但是却只有极少数task在执行，造成计算资源的严重浪费，利用率下降

2.引发内存溢出，导致任务失败

数据发生倾斜时，可能导致大量数据集中在少数几个节点上，在计算执行中由于要处理的数据超出了单个节点的能力范围，最终导致内存被撑爆，报OOM异常，直接导致任务失败。

3.作业执行时间超出预期，导致后续依赖数据结果的作业出错

有时候作业与作业之间，并没有构建强依赖关系，而是通过执行时间的前后时间差来调度，当前置作业未在预期时间范围内完成执行，那么当后续作业启动时便无法读取到其所需要的最新数据，从而导致连续出错

数据倾斜的处理方案

1.参数调节

【1】通用优化：提高shuffle并行度

Spark的shuffle并行度默认值是200，建议根据服务器的情况进行调整。一般是集群cpu总和的2-3倍。当发生数据倾斜的时候，适当增大并行度，可以将原本被分配到同一个Task的不同Key分配到不同Task。

缺陷：它没有从根本上改变数据倾斜的本质和问题，只是说尽可能地去缓解和减轻

shuffle reduce task的数据压力，以及数据倾斜的问题。

【2】map端聚合，启动负载均衡

适用范围：group by 造成的数据倾斜

set hive.map.aggr=true; --在map中会做部分聚集操作，效率更高但需要更多的内存set hive.groupby.skewindata=true; --默认false，数据倾斜时负载均衡

数据倾斜时负载均衡，当选项设定为true，它使计算变成了两个mapreduce，先在第一个中在 shuffle 过程 partition 时随机给 key 打标记，使每个key 随机均匀分布到各个 reduce 上计算，但是这样只能完成部分计算，因为相同key没有分配到相同reduce上，所以需要第二次的mapreduce,这次就回归正常 shuffle,但是数据分布不均匀的问题在第一次mapreduce已经有了很大的改善。

【3】Reduce join 改为Map join

适用范围：小表 join 大表

set hive.auto.convert.join = true; -- hive是否自动根据文件量大小，选择将common join转成map join 。set hive.mapjoin.smalltable.filesize =25000000; --大表小表判断的阈值，如果表的大小小于该值25Mb，则会被判定为小表。则会被加载到内存中运行，将commonjoin转化成mapjoin。一般这个值也就最多几百兆的样子。

原理：mapjoin优化就是在Map阶段完成join工作，而不是像通常的common join在Reduce阶段按照join的列值进行分发数据到每个Reduce上进行join工作。这样避免了Shuffle阶段，从而避免了数据倾斜。

注意：这个操作会将所有的小表全量复制到每个map任务节点，然后再将小表缓存在每个map节点的内存里与大表进行join工作。小表的大小的不能太大，一般也就几百兆，否则会出现OOM报错。

【4】开启Skewed Join

hadoop 中默认是使用hive.exec.reducers.bytes.per.reducer = 1000000000

也就是每个节点的reduce 默认是处理1G大小的数据，如果你的join 操作也产生了数据倾斜，那么你可以在hive 中设定

set hive.optimize.skewjoin = true;set hive.skewjoin.key = skew_key_threshold （default = 100000）

建议每次运行比较复杂的sql 之前都可以设一下这个参数. 如果你不知道设置多少，可以就按官方默认的1个reduce 只处理1G 的算法，那么 skew_key_threshold = 1G/平均行长. 或者默认直接设成250000000 (差不多算平均行长4个字节)

当我们开启Skew Join之后，在运行时，会对数据进行扫描并检测哪个key会出现倾斜，对于会倾斜的key，用map join做处理，不倾斜的key正常处理。

2.SQL优化

【1】count（distinct）优化

慎用distinct  先用group去重，再count子查询

--优化前
select count(distinct a) from test ;

--优化后
select count x.a 
from 
(select a from test group by a ) x 

【2】聚合类操作，发生数据倾斜

解决方法：阶段拆分-两阶段聚合

在需要聚合的key前加一个随机数的前后缀，这样就能得到非常均匀的key，然后按这个加工之后的key进行第一次聚合之后，再对聚合的结果，按照原始key进行二次聚合，这样基本就不可能出现数据倾斜了

【3】大表join大表发生数据倾斜

• 大表拆分，倾斜部分单独处理
• 中间表分桶排序后join

举例：

假设有有两张表

table_a表是一张近3个月买家交易明细表，字段如下，数据量较大

buyer_id（买家id）	seller_id（卖家id）	order_num(订单数)
1113839839	1001	5

table_b表是一张所有卖家信息表，数据量也很大，不满足mapjoin的条件。

seller_id（卖家id）	seller_level（卖家评级）
1001	A

SELECT 
    t1.buyer_id 
    ,sum(case when t2.seller_level = 'A' then order_num end) as a_num
    ,sum(case when t2.seller_level = 'B' then order_num end) as b_num
    ,sum(case when t2.seller_level = 'C' then order_num end) as c_num
FROM table_a  t1  --买家交易明细表
INNER JOIN table_b t2 --卖家信息表
ON t1.seller_id = t2.seller_id
GROUP BY t1.buyer_id;

但因为二八法则，某些卖家会拥有成千上万的买家，而大部分卖家的买家数量是较少的，两个表关联会发生数据倾斜。

优化方案1：转为map join 避免shuffle

tableb由于数据量较大，无法直接map join ，所以考虑通过过滤3个月内没有发生交易的卖家，来减少table_b的数据量，使其达到满足map join 的情况。

SELECT 
	 t1.buyer_id 
	,sum(case when t4.seller_level = 'A' then order_num end) as a_num
	,sum(case when t4.seller_level = 'B' then order_num end) as b_num
	,sum(case when t4.seller_level = 'C' then order_num end) as c_num
FROM table_a  t1
INNER JOIN 
	(
	SELECT
		 t2.seller_id
		,t2.seller_level
	FROM
		table_b t2
	INNER JOIN 
		(
		SELECT
			seller_id
		FROM table_a
		GROUP BY seller_id	
		) t3
	ON t2.seller_id = t3.seller_id
	) t4  --过滤掉table_b中没有出现在table_a中的seller_id
ON t1.seller_id = t4.seller_id
GROUP BY t1.buyer_id;

此方案在有些时候能够起作用，但大部分情况并不能解决问题，比如table_b经过过滤后，数量依然很大，还是不满足map join的条件。

优化方案2：拆表一分为二，倾斜部分单独处理

首先创建一个临时表temp_b，存放大卖家（买家超过1万个）的名单，然后tablea分别join temp_b和table_b，结果union all 起来即可。此方案的适用情况最多，且最有效。

--临时表存放90天内买家超过10000的大卖家
INSERT OVERWRITE TABLE temp_b
SELECT
	 t1.seller_id
	,t2.seller_level
FROM
(
SELECT
	 seller_id
	,count(buyer_id) as buy_num
FROM table_a
GROUP BY seller_id
) t1
LEFT JOIN 
(
SELECT
	 seller_id
	,seller_level
FROM table_b
) t2
ON t1.seller_id = t2.seller_id
AND t1.buy_num > 10000;
 
 
 
--获取最终结果
SELECT 
	 t7.buyer_id 
	,sum(case when t7.seller_level = 'A' then t7.order_num end) as a_num
	,sum(case when t7.seller_level = 'B' then t7.order_num end) as b_num
	,sum(case when t7.seller_level = 'C' then t7.order_num end) as c_num
FROM
(
SELECT
	  /*+mapjoin(t2)*/
	 t1.buyer_id
	,t1.seller_id
	,t1.order_num
	,t2.seller_level
FROM table_a t1
LEFT JOIN temp_b t2
ON t1.seller_id = t2.seller_id
UNION ALL  --针对大卖家map join 其他卖家正常join
SELECT
	 t3.buyer_id
	,t3.seller_id
	,t3.order_num
	,t6.seller_level
FROM 
	table_a t3
LEFT JOIN 
	(
	SELECT
		 seller_id
		,seller_level
	FROM table_b t4
	LEFT JOIN temp_b t5
	ON t4.seller_id = t5.seller_id
	WHERE t5.seller_id is null
	) t6
ON t3.seller_id = t6.seller_id
) t7
GROUP BY t7.buyer_id;

【4】join发生数据倾斜通用方法

解决方法：随机前缀和RDD扩容

sql实现方法：

1、将大表的倾斜key筛选出来，随机打上前后缀，假如为1-10的数字。

2、将较小表cross join(笛卡尔积) 1-10数字共10行，再通过拼接，形成与大表对应的前后缀。（假如较小表数据量为10万，此时扩容至100万）

3、此时将筛选过的大表与扩容的较小表关联，关联成功后，通过字段加工复原。

4、将大表其他无倾斜数据与较小表关联，union all 前3步处理后得到的数据。

原理如下图

【5】空值产生的数据倾斜

解决方法：给空值进行随机赋值

场景：如日志中，常会有信息丢失的问题，比如日志中的 user_id，如果取其中的 user_id 和 用户表中的user_id 关联，会碰到数据倾斜的问题。

其他方法

1. 增加reduce 的jvm内存

2. 增加reduce 个数

set mapred.reduce.tasks = [num]

3.自定义partitioner

根据现在处理的这份数据，单独写一个适合的partitioner。比如现在是按省份进行汇总数据，如果只是简单的按省份去分（这并没有错），那么数据肯定会倾斜，因为各省的数据天然不一样。我们可以通过历史数据、抽样数据或者一些常识，对数据进行人工分区，让数据按照我们自定义的分区规则比较均匀的分配到不同的task中。

常见的分区方式：

• 随机分区：每个区域的数据基本均衡，简单易用，偶尔出现倾斜，但是特征同样也会随机打散。
• 轮询分区：绝对不会倾斜，但是需要提前预知分成若干份，进行轮询。
• hash散列：可以针对某个特征进行hash散列，保证相同特征的数据在一个区，但是极容易出现数据倾斜。
• 范围分区：需要排序，临近的数据会被分在同一个区，可以控制分区数据均匀。