前言
数据倾斜是大数据计算中一个最棘手的问题，出现数据倾斜后，Spark 作业的性能会比期望值差很多，两大直接后果：Spark 任务 OOM 异常退出和数据倾斜拖慢整个任务的执行。数据倾斜的调优，就是利用各种技术方案解决不同类型的数据倾斜问题，保证 Spark 作业的性能。
导致分布式计算应用出现数据倾斜的原因就是shuffle 数据倾斜的调优，都是围绕着：
1、要么就不要使用shuffle
2、要么就让shuffle在执行过程中均匀分发数据
最终的目的：Spark中的同一个stage中的多个Task处理的数据量大小几乎是一致的。
什么是数据倾斜
数据倾斜指的是，并行处理的数据集中，某一部分（如Spark或Kafka的一个Partition）的数据显著多于其他部分，从而使得该部分的处理速度成为整个数据集处理的瓶颈。
数据倾斜发生的现象
绝大多数task执行得都非常快，但个别task执行极慢。比如，总共有1000个task，997个task都在1分钟之内执行完了，但是剩余两三个task却要一两个小时。这种情况很常见。
原本能够正常执行的spark作业，某天突然报出OOM（内存溢出）异常，观察异常栈，是我们写的业务代码造成的。这种情况比较少见。
总结：
1、大部分任务都很快执行完，用时也相差无几，但个别task执行耗时很长，整个应用程序一直处于99%左右的状态。
2、一直运行正常的Spark Application昨晚突然OOM了。
数据倾斜发生的原理
数据倾斜的原因很简单：在进行shuffle的时候，必须将各个节点上相同的key的数据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。因此，整个spark作业的运行进度是由运行时间最长的那个task决定的。
因此出现数据倾斜的时候，Spark作业看起来会运行得非常缓慢，甚至可能因为某个task处理的数据量过大导致内存溢出。
下图就是一个很清晰的例子：hello这个key，在三个节点上对应了总共7条数据，这些数据都会被拉取到同一个task中进行处理；而world和you这两个key分别才对应1条数据，所以另外两个task只要分别处理1条数据即可。此时第一个task的运行时间可能是另外两个task的7倍，而整个stage的运行速度也由运行最慢的那个task所决定。
数据倾斜的危害
当出现数据倾斜时，小量任务耗时远高于其他任务，从而使得整体耗时过大，未能充分发挥分布式系统的并行计算优势。另外，当发生数据倾斜时，少量部分任务处理的数据量过大，可能造成内存不足使得任务失败，并行而引进整个应用失败。如果应用并没有因此失败，但是大量正常任务都早早完成处于等待状态，资源得不到充分利用。
总结：
1、整体耗时过大（整个任务的完成由执行时间最长的那个task决定）
2、应用程序可能异常退出(某个Task执行时处理的数据量远远大于正常节点，则需要的资源容易出现瓶颈， 当资源不足，则应用程序退出)
3、资源闲置(处理等待状态的Task资源得不到及时的释放，处于闲置浪费状态)
如何从数据源避免倾斜
如果spark本身的逻辑没有问题，就需要从数据来源判断是否有造成数据倾斜的可能，如果spark读取了倾斜的数据，那么spark本身也就会倾斜。
避免数据源倾斜HDFS
Spark 以通过 textFile(path, minPartitions) 方法读取文件时，使用 TextInputFormat。
此时可通过在数据生成端将不可切分文件存储为可切分文件，或者保证各文件包含数据量相同的方式避免数据倾斜。
总结：
对于不可切分文件可能出现数据倾斜，对于可切分文件，一般来说，不存在数据倾斜问题。
1、可切分: 基本上不会! 默认数据块大小:128M
2、不可切分: 源文件不均匀，最终导致 分布式引用程序计算产生数据倾斜
避免数据源倾斜KafKa
场景：在Kafka生产者向指定主题的topic写入数据时，要是使用了Hash或者跟业务有关的分区规则，大概率会导致topic 个别分区出现大量数据，而其他分区数据极小，我们知道Kafka一个分区只能有一个消费者，一旦一个分区数据量过于庞大，也会影响到下游的消费者处理速度。
解决方案：
不要让Kafka的存储涉及到计算和业务逻辑
1、Kafka不是计算引擎，只是一个用来在流式项目架构中起削峰填谷作用的消息中转平台，所以为保证一个 Topic的分布式平衡，尽量不要使用Hash散列或者是跟业务有关的自定义分区规则等方式来进行数据分区，否 则会造成下游消费者一开始就产生了数据倾斜。
2、Kafka尽量使用随机，轮询等不会造成数据倾斜的数据分区规则
各司其职挺好的，不然的话，会得不偿失
避免数据源倾斜hive
场景：导致数据倾斜的是 Hive 表。如果该 Hive 表中的数据本身很不均匀（比如某个 key 对应了 100 万数据，其他 key 才对应了 10 条数据），而且业务场景需要频繁使用 Spark 对 Hive 表执行某个分析操作
解决方案：
此时可以评估一下，是否可以通过Hive来进行数据预处理（即通过 Hive ETL 预先对数据按照 key 进行聚合，或者是预先和其他表进行join），然后在 Spark 作业中针对的数据源就不是原来的 Hive 表了，而是预处理后的Hive表。此时由于数据已经预先进行过聚合或join操作了，那么在 Spark 作业中也就不需要使用原先的 shuffle 类算子执行这类操作了。
方案缺点：
这种方案虽然从根源上解决了spark的数据倾斜，但是这种方式属于治标不治本。因为毕竟数据本身就存在分布不均匀的问题，所以Hive ETL中进行group by或者join等shuffle操作时，还是会出现数据倾斜，导致Hive ETL的速度很慢。我们只是把数据倾斜的发生提前到了Hive ETL中，避免Spark程序发生数据倾斜而已。
企业最佳实践：
在一些 Java 系统与 Spark 结合使用的项目中，会出现 Java 代码频繁调用 Spark 作业的场景，而且对Spark 作业的执行性能要求很高，就比较适合使用这种方案。将数据倾斜提前到上游的 Hive ETL，每天仅执行一次，只有那一次是比较慢的，而之后每次 Java 调用 Spark作业时，执行速度都会很快，能够提供更好的用户体验。
数据采样
定位处理逻辑 – Stage 和 Task
目的：知道那块的代码处理当中导致的倾斜
归根结底，数据倾斜产生的原因，就是两个 stage 中的 shuffle 过程导致的。所以我们只需要研究Shuffle 算子即可，比如 distinct、groupByKey、reduceByKey、aggergateByKey、join、cogroup、repartition 等。
出现数据倾斜，可以通过spark Web UI 管理监控界面，查看各stage的运行情况，如果某一个stage的运行很长，并且这个stage的大部分task都很快，只有极个别task慢，那么就研究这个Stage的Shuffle算子就行了，问题一定就出现在这里。
查看导致倾斜的key的数据分布情况
目的：知道处理过程当中数据变成什么样的分布了
知道了数据倾斜发生在哪里之后，通常需要分析一下那个执行了shuffle操作并且导致了数据倾斜的 RDD/Hive表，查看一下其中key的分布情况。这主要是为之后选择哪一种技术方案提供依据。针对不同 的key分布与不同的shuffle算子组合起来的各种情况，可能需要选择不同的技术方案来解决。
此时根据执行操作的情况不同，可以有很多种查看key分布的方式：
1、如果是Spark SQL中的group by、join语句导致的数据倾斜，那么就查询一下 SQL 中使用的表的key 分布情况。
2、如果是对 Spark RDD执行shuffle算子导致的数据倾斜，那么可以在Spark作业中加入查看 key 分布 的代码，比如 RDD.countByKey()。然后对统计出来的各个key出现的次数，collect/take到客户端打印 一下，就可以看到key的分布情况。
举例来说，对于上面所说的单词计数程序，如果确定了是 stage1 的 reduceByKey 算子导致了数据倾 斜，那么就应该看看进行 reduceByKey 操作的 RDD 中的 key 分布情况，在这个例子中指的就是 pairs RDD。如下示例，我们可以先对 pairs 采样 10% 的样本数据，然后使用 countByKey 算子统计出每个 key 出现的次数，最后在客户端遍历和打印样本数据中各个 key 的出现次数。
数据倾斜解决方案
任何一种解决方案都是有对应的前提的，没有通用的解决方案。
前提：
第一：知道那块的代码处理当中导致的倾斜
第二：知道处理过程当中数据变成什么样的分布了
方案一：调整shuffle的并行度
核心思路：碰运气
适用场景：
大量不同的Key被分配到了相同的Task造成该Task数据量过大。
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。但是也是一种属于碰运气的方案。因为这种方案，并不能让你一定解决数据倾斜，甚至有可能加重。那当然，总归，你会调整到一个合适的并行度是能解决的。前提是这种方案适用于 Hash散列的分区方式。凑巧的是，各种分布式计算引擎，比如MapReduce，Spark 等默认都是使用 Hash散列的方式来进行数据分区。
Spark 在做 Shuffle 时，默认使用 HashPartitioner（非Hash Shuffle）对数据进行分区。如果并行度设置的不合适，可能造成大量不相同的 Key 对应的数据被分配到了同一个 Task 上，造成该 Task 所处理的数据远大于其它 Task，从而造成数据倾斜。
如果调整 Shuffle 时的并行度，使得原本被分配到同一 Task 的不同 Key 发配到不同 Task 上处理，则可降低原 Task 所需处理的数据量，从而缓解数据倾斜问题造成的短板效应。
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 shufflereadTask 的并行度，该值默认是 200，对于很多场景来说都有点过小。
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。
方案优缺点：
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。实现简单，可在需要Shuffle的操作算子上直接设 置并行度或者使用spark.default.parallelism设置。如果是Spark SQL，还可通过SET spark.sql.shuffle.partitions=[num_tasks]设置并行度。可用最小的代价解决问题。一般如果出现 数据倾斜，都可以通过这种方法先试验几次，如果问题未解决，再尝试其它方法。
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。适用场景少，只能将分配到 同一Task的不同Key分散开，但对于同一Key倾斜严重的情况该方法并不适用。并且该方法一般只能缓解数据 倾斜，没有彻底消除问题。
最佳实践：
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，尝试去用最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。
方案二：过滤少数导致倾斜的key
核心思想： 横向切分
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。
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SparkCore 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。
实现原理：
1、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。
2、剩下的所有的key的所有数据也单独处理，最终把两个任务的结果合起来即可！
SQL举例：
原始的SQL: select a.*, b.* from a join b on a.id = b.id; 倾斜的原因：（id=1,id=2,id=3 这三个key的数据特别多） 改进后的SQL： select a.*, b.* from a join b on a.id = b.id where a.id not in (1,2,3) union select a.*, b.* from a join b on a.id = b.id where a.id in (1,2,3);
方案优缺点：
优点：实现简单，而且效果也很好，可以完全规避掉数据倾斜。
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。
方案三：将reduce join转为map join
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。
在分布式计算引擎中，实现Join的思路有两种：
1、MapJoin，顾名思义，Join逻辑的完成是在 Mapper 阶段就完成了，这是假定执行的是 MapReduce任务，如果是 Spark任务，表示只用一个 Stage 就执行完了 Join 操作。
优点：避免了两阶段之间的shuffle，效率高，没有shuffle也就没有了倾斜。
缺点：多使用内存资源，只适合大小表做join的场景
2、ReduceJoin，顾名思义，Join逻辑的完成是在 Reducer 阶段完成的。那么如果是MapReduce任务，则表示 Maper阶段执行完之后把数据 Shuffle到 Reducer阶段来执行 Join 逻辑，那么就可能导致数据倾斜。如果是 Spark任务，意味着，上一个stage的执行结果数据shuffle到 下一个stage中来完成Join 操作，同样也可能产生数据倾斜。
优点：这是一种通用的join，在不产生数据倾斜的情况下，能完成各种类型的join
缺点：会发生数据倾斜的情况
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。
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 shuffleread 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。
方案优缺点：
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
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
方案四：两阶段聚合（局部聚合+全局聚合）
分拆的动作：核心思想：横向切分
分阶段执行：核心思想：纵向切分
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。
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)。
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。
方案优缺点：
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。
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。
方案五：使用随机前缀和扩容 RDD 进行 join
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。
实现思路：
1、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。
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”两阶段聚合”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。
方案优缺点：
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
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。
方案六：任务横切，一分为二，单独处理
适用场景：
有时候，一个Spark应用程序中，导致倾斜的因素不是一个单一的，比如有一部分倾斜的因素是null，有一部分倾斜的因素是某些个key分布特别多。那么拆分出来也得使用不同的手段来处理
实现思路：
导致数据倾斜的因素比较多，比较复杂的场景中。
1、所有导致倾斜的数据拿出来处理
2、所有不导致倾斜的数据拿出来处理
实现原理：
在了解清楚数据的分布规律，以及确定了数据倾斜是由何种原因导致的，那么按照这些原因，进行数据的拆分，然后单独处理每个部分的数据，最后把结果合起来。
方案优缺点：
优点：将多种简单的方案综合起来，解决一个复杂的问题。可以算上一种万能的方案。
缺点：确定数据倾斜的因素比较复杂，导致解决该数据倾斜的方案比较难实现落地。代码复杂度也较高。
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。
如果多种方案，组合使用也不行，请看最后一招：自定义分区规则
方案八：自定义分区
适用场景：
使用自定义的 Partitioner 实现类代替默认的 HashPartitioner，尽量将所有不同的 Key 均匀分配到不同的 Task中
适用场景：
大量不同的Key被分配到了相同的Task造成该Task数据量过大。
实现思路：
先通过抽样，了解数据的 key 的分布规律，然后根据规律，去定制自己的数据分区规则，尽量保证所有的 Task 的数据量相差无几。
实现原理：
使用自定义的 Partitioner（默认为HashPartitioner），将原本被分配到同一个 Task 的不同 Key 分配到不同 Task。
方案优缺点：
优点：灵活，通用。
缺点：必须根据对应的场景设计合理的分区方案。没有现成的方案可用，需临时实现。
转载请注明：西门飞冰的博客 » Spark 数据倾斜原理和解决方案
