数据倾斜和数据倾斜的解决方案

1、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，也就是多台服务器（节点）组成集群，进行分布式的数据处理。

举个例子，假如要处理一个10亿数据的表格，我的集群由10个节点组成，一台服务器处理这10亿数据需要10个小时，现在我将10亿条数据平均的分配到不同的节点上，每台节点负责处理1亿条数据，那么原本需要10个小时完成的工作，现在只需要1个小时即可。

而以上只是理想情况，实际上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5亿条），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5亿数据的节点，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。

2、数据倾斜的表现

2.1、MapReduce任务

主要表现在Reuduce阶段卡在99.99%，一直99.99%不能结束。

• 有一个多几个Reuduce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Reuduce。伴随着数据倾斜，会出现任务被kill等各种诡异的表现。

2.2、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。

3、发生数据倾斜的原因

正常的数据分布理论上都是倾斜的，就是我们所说的二八原理：80%的财富集中在20%的人手中, 80%的用户只使用20%的功能 , 20%的用户贡献了80%的访问量 , 不同的数据字段可能的数据倾斜一般有两种情况：

• 唯一值非常少，极少数值有非常多的记录值（唯一值少于几千）；

• 唯一值比较多，这个字段的某些值有远远多于其他值的记录数，但是它的占比也小于百分之一或千分之一。

可以理解为：

• 数据频率倾斜——某一个区域数据要远远大于其他区域；
• 数据大小倾斜——部分记录的大小远远大于平均值。

无论是MR还是Spark任务进行计算的时候，都会触发 Shuffle 动作，一旦触发，所有相同key的值就会拉到一个或几个节点上，就容易发生单个节点处理数据量爆增的情况 。

Shuffle 的中文含义是“洗牌”，其原理在这里不展开说，但通过下面这张图，你能了解到它的对数据进行了什么样的处理。

3.1、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。

3.2、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。

3.3、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。

4、触发数据倾斜的SQL操作

关键词	情况	后果
join	其中一个表较小，但是key集中	分发到某一个或几个Reduce/Stage的数据远高于平均值
	大表与大表，但是分桶的判断字段0值或空值过多	这些空值都由一个Reduce/Stage处理，非常慢
group by	group by维度过小，某值的数量过多	处理某值的Reduce/Stage非常耗时
count distinct	某特殊值过多	处理此特殊值的Reduce/Stage非常耗时

5、数据倾斜的解决方案

首先排除过滤倾斜key，ETL预处理这种治标不治本的方法，然后详细来讲解各种不同的处理方式。

5.1、参数调整

5.1.1、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。

set spark.sql.shuffle.partitions= [num_tasks]

5.1.1.1、原理

5.1.1.2、缺点

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。。

5.1.2、map 端聚合，启动负载均衡

适用范围： group by 造成的数据倾斜。

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。

# 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.map.aggr=true; 
# 默认false，数据倾斜时负载均衡
set hive.groupby.skewindata=true; 

5.1.3、Reduce Join 改为Map Join

适用范围：小表 Join 大表。

# hive是否自动根据文件量大小，选择将common join转成map join 。
set hive.auto.convert.join = true; 
# 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。
set hive.mapjoin.smalltable.filesize = 25000000; 

5.1.3.1、原理

Map Join 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。

5.1.3.2、注意事项

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。

5.1.4、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。

5.2、SQL优化

5.2.1、count（distinct）优化

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

5.2.2、聚合类操作，发生数据倾斜

5.2.2.1、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。

5.2.2.2、原理

5.2.2.3、SQL示例

--水果字段名为category
select count (substr(x.category,1,2)) 
from
(select concat(category,'_',cast(round(10*rand())+1 as string))
from table1
group by concat(category,'_',cast(round(10*rand())+1 as string))
) x --1阶段聚合
group by substr(x.category,1,2);   --2阶段聚合

5.2.3、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。

5.2.3.1、例子

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（卖家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Map Join的条件：

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

想要获取买家所有订单中，来源于不同等级卖家的数量。

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;

5.2.3.2、转为 Map Join 避免 shuffle

table_b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。

5.2.3.3、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table_a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;

5.2.4、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：

• 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；
• 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）；
• 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；
• 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。

5.2.5、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。

select *
from
log a
left join
users b
on  coalesce(a.user_id,concat('rand', rand())) = b.user_id;

5.3、其他方法

5.3.1、增加Reduce 的JVM内存

5.3.2、增加Reduce个数

set mapred.reduce.tasks = [num]

5.3.3、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。