摘要

本文結(jié)合實(shí)例詳細(xì)闡明了Spark數(shù)據(jù)傾斜的幾種場(chǎng)景以及對(duì)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(jī)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(duì)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(gè)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(gè)數(shù)據(jù)集處理的瓶頸。

數(shù)據(jù)傾斜是如何造成的

在Spark中，同一個(gè)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(gè)Spark Job分為Stage 0和Stage 1兩個(gè)Stage，且Stage 1依賴于Stage 0，那Stage 0完全處理結(jié)束之前不會(huì)處理Stage 1。而Stage 0可能包含N個(gè)Task，這N個(gè)Task可以并行進(jìn)行。如果其中N-1個(gè)Task都在10秒內(nèi)完成，而另外一個(gè)Task卻耗時(shí)1分鐘，那該Stage的總時(shí)間至少為1分鐘。換句話說，一個(gè)Stage所耗費(fèi)的時(shí)間，主要由最慢的那個(gè)Task決定。

由于同一個(gè)Stage內(nèi)的所有Task執(zhí)行相同的計(jì)算，在排除不同計(jì)算節(jié)點(diǎn)計(jì)算能力差異的前提下，不同Task之間耗時(shí)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(gè)Stage的Shuffle數(shù)據(jù)

如何緩解/消除數(shù)據(jù)傾斜

盡量避免數(shù)據(jù)源的數(shù)據(jù)傾斜

以Spark Stream通過DirectStream方式讀取Kafka數(shù)據(jù)為例。由于Kafka的每一個(gè)Partition對(duì)應(yīng)Spark的一個(gè)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(shí)是否會(huì)產(chǎn)生數(shù)據(jù)傾斜。

如《Kafka設(shè)計(jì)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(shí)現(xiàn)類決定。如果使用隨機(jī)Partitioner，則每條消息會(huì)隨機(jī)發(fā)送到一個(gè)Partition中，從而從概率上來講，各Partition間的數(shù)據(jù)會(huì)達(dá)到平衡。此時(shí)源Stage（直接讀取Kafka數(shù)據(jù)的Stage）不會(huì)產(chǎn)生數(shù)據(jù)傾斜。

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

調(diào)整并行度分散同一個(gè)Task的不同Key

原理

Spark在做Shuffle時(shí)，默認(rèn)使用HashPartitioner（非Hash Shuffle）對(duì)數(shù)據(jù)進(jìn)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(duì)應(yīng)的數(shù)據(jù)被分配到了同一個(gè)Task上，造成該Task所處理的數(shù)據(jù)遠(yuǎn)大于其它Task，從而造成數(shù)據(jù)傾斜。

如果調(diào)整Shuffle時(shí)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(cè)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(gè)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(duì)12取模后余數(shù)為8（即在Shuffle并行度為12時(shí)該數(shù)據(jù)集全部被HashPartition分配到第8個(gè)Task），其它數(shù)據(jù)集對(duì)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(shí)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(gè)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(cè)試數(shù)據(jù)即以準(zhǔn)備好。接下來，使用Spark讀取該測(cè)試數(shù)據(jù)，并通過groupByKey(12)對(duì)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(shí)驗(yàn)所使用集群節(jié)點(diǎn)數(shù)為4，每個(gè)節(jié)點(diǎn)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(dòng)4個(gè)Executor，每個(gè)Executor可使用核數(shù)為12（該配置并非生產(chǎn)環(huán)境下的***配置，僅用于本文實(shí)驗(yàn)），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(yuǎn)大于（9倍于）其它11個(gè)Task處理的500萬記錄。而Task 8所耗費(fèi)的時(shí)間為38秒，遠(yuǎn)高于其它11個(gè)Task的平均時(shí)間（16秒）。整個(gè)Stage的時(shí)間也為38秒，該時(shí)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(gè)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(shí)Task 8的4500萬，降低了75%左右，而其耗時(shí)從原來Task 8的38秒降到了24秒。

在這種場(chǎng)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(shí)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(shí)12秒。

總結(jié)

適用場(chǎng)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(shí)如本例減小并行度也可達(dá)到效果。

優(yōu)勢(shì)
實(shí)現(xiàn)簡(jiǎn)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?？捎米钚〉拇鷥r(jià)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(yàn)幾次，如果問題未解決，再嘗試其它方法。

劣勢(shì)
適用場(chǎng)景少，只能將分配到同一Task的不同Key分散開，但對(duì)于同一Key傾斜嚴(yán)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(shí)踐經(jīng)驗(yàn)來看，其效果一般。

自定義Partitioner

原理

使用自定義的Partitioner（默認(rèn)為HashPartitioner），將原本被分配到同一個(gè)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(shí)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(shí)最長(zhǎng)的Task 6處理約1000萬條數(shù)據(jù)，用時(shí)15秒。并且各Task所處理的數(shù)據(jù)集大小相當(dāng)。

總結(jié)

適用場(chǎng)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(shí)現(xiàn)類代替默認(rèn)的HashPartitioner，盡量將所有不同的Key均勻分配到不同的Task中。

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

劣勢(shì)
適用場(chǎng)景有限，只能將不同Key分散開，對(duì)于同一Key對(duì)應(yīng)數(shù)據(jù)集非常大的場(chǎng)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(diǎn)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(jī)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(jìn)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(duì)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(gè)Stage，前兩個(gè)用于從Hive中讀取數(shù)據(jù)，同時(shí)二者進(jìn)行Shuffle，通過***一個(gè)Stage進(jìn)行Join并將結(jié)果寫入表test_join中。

從下圖可見，最近Join Stage各Task處理的數(shù)據(jù)傾斜嚴(yán)重，處理數(shù)據(jù)量***的Task耗時(shí)7.1分鐘，遠(yuǎn)高于其它無數(shù)據(jù)傾斜的Task約2s秒的耗時(shí)。

接下來，嘗試通過Broadcast實(shí)現(xiàn)Map側(cè)Join。實(shí)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(jìn)行cache?，F(xiàn)通過如下SQL進(jìn)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(gè)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(shí)為7.1分鐘，遠(yuǎn)高于其它Task的約2秒。

正確的使用Broadcast實(shí)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(jìn)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(gè)Stage。

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

總結(jié)

適用場(chǎng)景
參與Join的一邊數(shù)據(jù)集足夠小，可被加載進(jìn)Driver并通過Broadcast方法廣播到各個(gè)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?；蛘咴谑褂肧QL前，將broadcast的閾值調(diào)整得足夠多，從而使用broadcast生效。進(jìn)而將Reduce側(cè)Join替換為Map側(cè)Join。

優(yōu)勢(shì)
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(shì)
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(chǎng)景，不適合聚合的場(chǎng)景，適用條件有限。

為skew的key增加隨機(jī)前/后綴

原理

為數(shù)據(jù)量特別大的Key增加隨機(jī)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(duì)應(yīng)的部分?jǐn)?shù)據(jù)，與隨機(jī)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(duì)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(duì)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(duì)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(duì)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(duì)應(yīng)的數(shù)據(jù)存于rightRDD中。通過RDD的join算子對(duì)leftRDD與rightRDD進(jìn)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", 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(gè)Join耗時(shí)1分54秒，其中Join Stage耗時(shí)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(shí)Task 32的處理的記錄數(shù)為992.72萬，故它耗時(shí)為1.7分鐘，遠(yuǎn)高于其它Task的約10秒。這與上文準(zhǔn)備數(shù)據(jù)集時(shí)，將id為9500048為9500096對(duì)應(yīng)的數(shù)據(jù)量設(shè)置非常大，其它id對(duì)應(yīng)的數(shù)據(jù)集非常均勻相符合。

現(xiàn)通過如下操作，實(shí)現(xiàn)傾斜Key的分散處理

• 將leftRDD中傾斜的key（即9500048與9500096）對(duì)應(yīng)的數(shù)據(jù)單獨(dú)過濾出來，且加上1到24的隨機(jī)前綴，并將前綴與原數(shù)據(jù)用逗號(hào)分隔（以方便之后去掉前綴）形成單獨(dú)的leftSkewRDD
• 將rightRDD中傾斜key對(duì)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(jī)前綴），形成單獨(dú)的rightSkewRDD
• 將leftSkewRDD與rightSkewRDD進(jìn)行Join，并將并行度設(shè)置為48，且在Join過程中將隨機(jī)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(dú)的leftUnSkewRDD
• 對(duì)leftUnSkewRDD與原始的rightRDD進(jìn)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(jìn)行合并，從而得到完整的Join結(jié)果集

具體實(shí)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(gè)Join耗時(shí)58秒，其中Join Stage耗時(shí)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(shí)，設(shè)置的Executor個(gè)數(shù)為4，每個(gè)Executor的core數(shù)為12，故可用Core數(shù)為48，所以前48個(gè)Task同時(shí)啟動(dòng)（其Launch時(shí)間相同），后48個(gè)Task的啟動(dòng)時(shí)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(jī)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(shí)際上，由于傾斜Key與非傾斜Key的操作完全獨(dú)立，可并行進(jìn)行。而本實(shí)驗(yàn)受限于可用總核數(shù)為48，可同時(shí)運(yùn)行的總Task數(shù)為48，故而該方案只是將總耗時(shí)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(shì)將更為明顯。在實(shí)際項(xiàng)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(chǎng)景
兩張表都比較大，無法使用Map則Join。其中一個(gè)RDD有少數(shù)幾個(gè)Key的數(shù)據(jù)量過大，另外一個(gè)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(duì)應(yīng)的數(shù)據(jù)集單獨(dú)抽取出來加上隨機(jī)前綴，另外一個(gè)RDD每條數(shù)據(jù)分別與隨機(jī)前綴結(jié)合形成新的RDD（相當(dāng)于將其數(shù)據(jù)增到到原來的N倍，N即為隨機(jī)前綴的總個(gè)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(jìn)行Join。***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(shì)
相對(duì)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?jǐn)?shù)據(jù)集與非傾斜部分?jǐn)?shù)據(jù)集可并行進(jìn)行，效率提升明顯。且只針對(duì)傾斜部分的數(shù)據(jù)做數(shù)據(jù)擴(kuò)展，增加的資源消耗有限。

劣勢(shì)
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(shí)對(duì)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(jī)添加N種隨機(jī)前綴，小表擴(kuò)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(shí)更適合直接對(duì)存在數(shù)據(jù)傾斜的數(shù)據(jù)集全部加上隨機(jī)前綴，然后對(duì)另外一個(gè)不存在嚴(yán)重?cái)?shù)據(jù)傾斜的數(shù)據(jù)集整體與隨機(jī)前綴集作笛卡爾乘積（即將數(shù)據(jù)量擴(kuò)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(jī)前綴的方法，自行測(cè)試。

總結(jié)

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

優(yōu)勢(shì)
對(duì)大部分場(chǎng)景都適用，效果不錯(cuò)。

劣勢(shì)
需要將一個(gè)數(shù)據(jù)集整體擴(kuò)大N倍，會(huì)增加資源消耗。

總結(jié)

對(duì)于數(shù)據(jù)傾斜，并無一個(gè)統(tǒng)一的一勞永逸的方法。更多的時(shí)候，是結(jié)合數(shù)據(jù)特點(diǎn)（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。

作者：郭俊 Jason。來源Jason’s Blog,分享交流大數(shù)據(jù)領(lǐng)域技術(shù)，包括但不限于Storm、Spark、Hadoop等流行分布式計(jì)算系統(tǒng)，Kafka、MetaQ等分布式消息系統(tǒng)，MongoDB、Cassandra等NoSQL，PostgreSQL、MySQL等RDBMS及其它前沿技術(shù)。