數據傾斜是多麽痛？spark作業調優秘籍
目錄視圖
摘要視圖
訂閱
數據傾斜是多麽痛？spark作業調優秘籍
2017-06-27 13:28 39人閱讀 評論(0) 收藏 舉報
分類：
原文：https://mp.weixin.qq.com/s?__biz=MzI5OTAwMTM1MQ==&mid=2456325754&idx=1&sn=e8f284f79f24cdf4046d7419c61b58ff&chksm=fb011d12cc7694049c8971d41fe1391063b6fd33e63685fc072787d55576f5117782c71fba4b&mpshare=1&scene=1&srcid=0106kmZOEwoy6lMYGWBvUhBu&pass_ticket=95mYJFBLNWM4x4ompsXr1J8b1QcqiTULdb24lBGI1KI%3D#rd
調優概述
有的時候，我們可能會遇到大數據計算中一個最棘手的問題——數據傾斜，此時Spark作業的性能會比期望差很多。數據傾斜調優，就是使用各種技術方案解決不同類型的數據傾斜問題，以保證Spark作業的性能。
數據傾斜是多麽痛?!!!
如果數據傾斜沒有解決，完全沒有可能進行性能調優，其他所有的調優手段都是一個笑話。數據傾斜是最能體現一個spark大數據工程師水平的性能調優問題。
數據傾斜如果能夠解決的話，代表對spark運行機制了如指掌。
數據傾斜倆大直接致命後果。
1 數據傾斜直接會導致一種情況：OOM。
2 運行速度慢,特別慢，非常慢，極端的慢，不可接受的慢。
我們以100億條數據為列子。
個別Task(80億條數據的那個Task)處理過度大量數據。導致拖慢了整個Job的執行時間。這可能導致該Task所在的機器OOM,或者運行速度非常慢。
數據傾斜的原因：
在Shuffle階段。同樣Key的數據條數太多了。導致了某個key(上圖中的80億條)所在的Task數據量太大了。遠遠超過其他Task所處理的數據量。
而這樣的場景太常見了。二八定律可以證實這種場景。
搞定數據傾斜需要：
1 搞定shuffle
2 搞定業務場景
3 搞定 cpu core的使用情況
4 搞定OOM的根本原因等。
所以搞定了數據傾斜需要對至少以上的原理了如指掌。所以搞定數據傾斜是關鍵中的關鍵。
告訴大家一個屢試不爽的經驗結論：一般情況下，OOM的原因都是數據傾斜。某個task任務數據量太大，GC的壓力就很大。這比不了Kafka,因為kafka的內存是不經過JVM的。是基於Linux內核的Page.
數據傾斜發生的原理
數據傾斜的原理很簡單：在進行shuffle的時候，必須將各個節點上相同的key拉取到某個節點上的一個task來進行處理，比如按照key進行聚合或join等操作。此時如果某個key對應的數據量特別大的話，就會發生數據傾斜。比如大部分key對應10條數據，但是個別key卻對應了100萬條數據，那麽大部分task可能就只會分配到10條數據，然後1秒鐘就運行完了;但是個別task可能分配到了100萬數據，要運行一兩個小時。因此，整個Spark作業的運行進度是由運行時間最長的那個task決定的。
因此出現數據傾斜的時候，Spark作業看起來會運行得非常緩慢，甚至可能因為某個task處理的數據量過大導致內存溢出。
下圖就是一個很清晰的例子：hello這個key，在三個節點上對應了總共7條數據，這些數據都會被拉取到同一個task中進行處理;而world和you這兩個key分別才對應1條數據，所以另外兩個task只要分別處理1條數據即可。此時第一個task的運行時間可能是另外兩個task的7倍，而整個stage的運行速度也由運行最慢的那個task所決定。
如何定位導致數據傾斜的代碼
數據傾斜只會發生在shuffle過程中。這裏給大家羅列一些常用的並且可能會觸發shuffle操作的算子：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。出現數據傾斜時，可能就是你的代碼中使用了這些算子中的某一個所導致的。
某個task執行特別慢的情況
首先要看的，就是數據傾斜發生在第幾個stage中。
如果是用yarn-client模式提交，那麽本地是直接可以看到log的，可以在log中找到當前運行到了第幾個stage;如果是用yarn-cluster模式提交，則可以通過Spark Web UI來查看當前運行到了第幾個stage。此外，無論是使用yarn-client模式還是yarn-cluster模式，我們都可以在Spark Web UI上深入看一下當前這個stage各個task分配的數據量，從而進一步確定是不是task分配的數據不均勻導致了數據傾斜。
比如下圖中，倒數第三列顯示了每個task的運行時間。明顯可以看到，有的task運行特別快，只需要幾秒鐘就可以運行完;而有的task運行特別慢，需要幾分鐘才能運行完，此時單從運行時間上看就已經能夠確定發生數據傾斜了。此外，倒數第一列顯示了每個task處理的數據量，明顯可以看到，運行時間特別短的task只需要處理幾百KB的數據即可，而運行時間特別長的task需要處理幾千KB的數據，處理的數據量差了10倍。此時更加能夠確定是發生了數據傾斜。
知道數據傾斜發生在哪一個stage之後，接著我們就需要根據stage劃分原理，推算出來發生傾斜的那個stage對應代碼中的哪一部分，這部分代碼中肯定會有一個shuffle類算子。精準推算stage與代碼的對應關系，需要對Spark的源碼有深入的理解，這裏我們可以介紹一個相對簡單實用的推算方法：只要看到Spark代碼中出現了一個shuffle類算子或者是Spark SQL的SQL語句中出現了會導致shuffle的語句(比如group by語句)，那麽就可以判定，以那個地方為界限劃分出了前後兩個stage。
這裏我們就以Spark最基礎的入門程序——單詞計數來舉例，如何用最簡單的方法大致推算出一個stage對應的代碼。如下示例，在整個代碼中，只有一個reduceByKey是會發生shuffle的算子，因此就可以認為，以這個算子為界限，會劃分出前後兩個stage。
1、stage0，主要是執行從textFile到map操作，以及執行shuffle write操作。shuffle write操作，我們可以簡單理解為對pairs RDD中的數據進行分區操作，每個task處理的數據中，相同的key會寫入同一個磁盤文件內。
2、stage1，主要是執行從reduceByKey到collect操作，stage1的各個task一開始運行，就會首先執行shuffle read操作。執行shuffle read操作的task，會從stage0的各個task所在節點拉取屬於自己處理的那些key，然後對同一個key進行全局性的聚合或join等操作，在這裏就是對key的value值進行累加。stage1在執行完reduceByKey算子之後，就計算出了最終的wordCounts RDD，然後會執行collect算子，將所有數據拉取到Driver上，供我們遍歷和打印輸出。
通過對單詞計數程序的分析，希望能夠讓大家了解最基本的stage劃分的原理，以及stage劃分後shuffle操作是如何在兩個stage的邊界處執行的。然後我們就知道如何快速定位出發生數據傾斜的stage對應代碼的哪一個部分了。比如我們在Spark Web UI或者本地log中發現，stage1的某幾個task執行得特別慢，判定stage1出現了數據傾斜，那麽就可以回到代碼中定位出stage1主要包括了reduceByKey這個shuffle類算子，此時基本就可以確定是由educeByKey算子導致的數據傾斜問題。比如某個單詞出現了100萬次，其他單詞才出現10次，那麽stage1的某個task就要處理100萬數據，整個stage的速度就會被這個task拖慢。
數據傾斜的解決方案
解決方案一：使用Hive ETL預處理數據
方案適用場景：導致數據傾斜的是hive表。如果該Hive表中的數據本身很不均勻(比如某個key對應了100萬數據，其他key才對應了10條數據)，而且業務場景需要頻繁使用Spark對Hive表執行某個分析操作，那麽比較適合使用這種技術方案。
方案實現思路：此時可以評估一下，是否可以通過Hive來進行數據預處理(即通過Hive ETL預先對數據按照key進行聚合，或者是預先和其他表進行join)，然後在Spark作業中針對的數據源就不是原來的Hive表了，而是預處理後的Hive表。此時由於數據已經預先進行過聚合或join操作了，那麽在Spark作業中也就不需要使用原先的shuffle類算子執行這類操作了。
方案實現原理：這種方案從根源上解決了數據傾斜，因為徹底避免了在Spark中執行shuffle類算子，那麽肯定就不會有數據傾斜的問題了。但是這裏也要提醒一下大家，這種方式屬於治標不治本。因為畢竟數據本身就存在分布不均勻的問題，所以Hive ETL中進行group by或者join等shuffle操作時，還是會出現數據傾斜，導致Hive ETL的速度很慢。我們只是把數據傾斜的發生提前到了Hive ETL中，避免Spark程序發生數據傾斜而已。
方案優點：實現起來簡單便捷，效果還非常好，完全規避掉了數據傾斜，Spark作業的性能會大幅度提升。
方案缺點：治標不治本，Hive ETL中還是會發生數據傾斜。
方案實踐經驗：在一些Java系統與Spark結合使用的項目中，會出現Java代碼頻繁調用Spark作業的場景，而且對Spark作業的執行性能要求很高，就比較適合使用這種方案。將數據傾斜提前到上遊的Hive ETL，每天僅執行一次，只有那一次是比較慢的，而之後每次Java調用Spark作業時，執行速度都會很快，能夠提供更好的用戶體驗。
項目實踐經驗：在美團·點評的交互式用戶行為分析系統中使用了這種方案，該系統主要是允許用戶通過Java Web系統提交數據分析統計任務，後端通過Java提交Spark作業進行數據分析統計。要求Spark作業速度必須要快，盡量在10分鐘以內，否則速度太慢，用戶體驗會很差。所以我們將有些Spark作業的shuffle操作提前到了Hive ETL中，從而讓Spark直接使用預處理的Hive中間表，盡可能地減少Spark的shuffle操作，大幅度提升了性能，將部分作業的性能提升了6倍以上。
解決方案二：過濾少數導致傾斜的key
方案適用場景：如果發現導致傾斜的key就少數幾個，而且對計算本身的影響並不大的話，那麽很適合使用這種方案。比如99%的key就對應10條數據，但是只有一個key對應了100萬數據，從而導致了數據傾斜。
方案實現思路：如果我們判斷那少數幾個數據量特別多的key，對作業的執行和計算結果不是特別重要的話，那麽幹脆就直接過濾掉那少數幾個key。比如，在Spark SQL中可以使用where子句過濾掉這些key或者在Spark Core中對RDD執行filter算子過濾掉這些key。如果需要每次作業執行時，動態判定哪些key的數據量最多然後再進行過濾，那麽可以使用sample算子對RDD進行采樣，然後計算出每個key的數量，取數據量最多的key過濾掉即可。
方案實現原理：將導致數據傾斜的key給過濾掉之後，這些key就不會參與計算了，自然不可能產生數據傾斜。
方案優點：實現簡單，而且效果也很好，可以完全規避掉數據傾斜。
方案缺點：適用場景不多，大多數情況下，導致傾斜的key還是很多的，並不是只有少數幾個。
方案實踐經驗：在項目中我們也采用過這種方案解決數據傾斜。有一次發現某一天Spark作業在運行的時候突然OOM了，追查之後發現，是Hive表中的某一個key在那天數據異常，導致數據量暴增。因此就采取每次執行前先進行采樣，計算出樣本中數據量最大的幾個key之後，直接在程序中將那些key給過濾掉。
解決方案三：提高shuffle操作的並行度
方案適用場景：如果我們必須要對數據傾斜迎難而上，那麽建議優先使用這種方案，因為這是處理數據傾斜最簡單的一種方案。
方案實現思路：在對RDD執行shuffle算子時，給shuffle算子傳入一個參數，比如reduceByKey(1000)，該參數就設置了這個shuffle算子執行時shuffle read task的數量。對於Spark SQL中的shuffle類語句，比如group by、join等，需要設置一個參數，即spark.sql.shuffle.partitions，該參數代表了shuffle read task的並行度，該值默認是200，對於很多場景來說都有點過小。
方案實現原理：增加shuffle read task的數量，可以讓原本分配給一個task的多個key分配給多個task，從而讓每個task處理比原來更少的數據。舉例來說，如果原本有5個key，每個key對應10條數據，這5個key都是分配給一個task的，那麽這個task就要處理50條數據。而增加了shuffle read task以後，每個task就分配到一個key，即每個task就處理10條數據，那麽自然每個task的執行時間都會變短了。具體原理如下圖所示。
方案優點：實現起來比較簡單，可以有效緩解和減輕數據傾斜的影響。
方案缺點：只是緩解了數據傾斜而已，沒有徹底根除問題，根據實踐經驗來看，其效果有限。
方案實踐經驗：該方案通常無法徹底解決數據傾斜，因為如果出現一些極端情況，比如某個key對應的數據量有100萬，那麽無論你的task數量增加到多少，這個對應著100萬數據的key肯定還是會分配到一個task中去處理，因此註定還是會發生數據傾斜的。所以這種方案只能說是在發現數據傾斜時嘗試使用的第一種手段，嘗試去用嘴簡單的方法緩解數據傾斜而已，或者是和其他方案結合起來使用。
解決方案四：兩階段聚合(局部聚合+全局聚合)
方案適用場景：對RDD執行reduceByKey等聚合類shuffle算子或者在Spark SQL中使用group by語句進行分組聚合時，比較適用這種方案。
方案實現思路：這個方案的核心實現思路就是進行兩階段聚合。第一次是局部聚合，先給每個key都打上一個隨機數，比如10以內的隨機數，此時原先一樣的key就變成不一樣的了，比如(hello, 1) (hello, 1) (hello, 1) (hello, 1)，就會變成(1_hello, 1) (1_hello, 1) (2_hello, 1) (2_hello, 1)。接著對打上隨機數後的數據，執行reduceByKey等聚合操作，進行局部聚合，那麽局部聚合結果，就會變成了(1_hello, 2) (2_hello, 2)。然後將各個key的前綴給去掉，就會變成(hello,2)(hello,2)，再次進行全局聚合操作，就可以得到最終結果了，比如(hello, 4)。
方案實現原理：將原本相同的key通過附加隨機前綴的方式，變成多個不同的key，就可以讓原本被一個task處理的數據分散到多個task上去做局部聚合，進而解決單個task處理數據量過多的問題。接著去除掉隨機前綴，再次進行全局聚合，就可以得到最終的結果。具體原理見下圖。
方案優點：對於聚合類的shuffle操作導致的數據傾斜，效果是非常不錯的。通常都可以解決掉數據傾斜，或者至少是大幅度緩解數據傾斜，將Spark作業的性能提升數倍以上。
方案缺點：僅僅適用於聚合類的shuffle操作，適用範圍相對較窄。如果是join類的shuffle操作，還得用其他的解決方案。
解決方案五：將reduce join轉為map join
方案適用場景：在對RDD使用join類操作，或者是在Spark SQL中使用join語句時，而且join操作中的一個RDD或表的數據量比較小(比如幾百M或者一兩G)，比較適用此方案。
方案實現思路：不使用join算子進行連接操作，而使用Broadcast變量與map類算子實現join操作，進而完全規避掉shuffle類的操作，徹底避免數據傾斜的發生和出現。將較小RDD中的數據直接通過collect算子拉取到Driver端的內存中來，然後對其創建一個Broadcast變量;接著對另外一個RDD執行map類算子，在算子函數內，從Broadcast變量中獲取較小RDD的全量數據，與當前RDD的每一條數據按照連接key進行比對，如果連接key相同的話，那麽就將兩個RDD的數據用你需要的方式連接起來。
方案實現原理：普通的join是會走shuffle過程的，而一旦shuffle，就相當於會將相同key的數據拉取到一個shuffle read task中再進行join，此時就是reduce join。但是如果一個RDD是比較小的，則可以采用廣播小RDD全量數據+map算子來實現與join同樣的效果，也就是map join，此時就不會發生shuffle操作，也就不會發生數據傾斜。具體原理如下圖所示。
方案優點：對join操作導致的數據傾斜，效果非常好，因為根本就不會發生shuffle，也就根本不會發生數據傾斜。
方案缺點：適用場景較少，因為這個方案只適用於一個大表和一個小表的情況。畢竟我們需要將小表進行廣播，此時會比較消耗內存資源，driver和每個Executor內存中都會駐留一份小RDD的全量數據。如果我們廣播出去的RDD數據比較大，比如10G以上，那麽就可能發生內存溢出了。因此並不適合兩個都是大表的情況。
解決方案六：采樣傾斜key並分拆join操作
方案適用場景：兩個RDD/Hive表進行join的時候，如果數據量都比較大，無法采用“解決方案五”，那麽此時可以看一下兩個RDD/Hive表中的key分布情況。如果出現數據傾斜，是因為其中某一個RDD/Hive表中的少數幾個key的數據量過大，而另一個RDD/Hive表中的所有key都分布比較均勻，那麽采用這個解決方案是比較合適的。
方案實現思路：
1、對包含少數幾個數據量過大的key的那個RDD，通過sample算子采樣出一份樣本來，然後統計一下每個key的數量，計算出來數據量最大的是哪幾個key。
2、然後將這幾個key對應的數據從原來的RDD中拆分出來，形成一個單獨的RDD，並給每個key都打上n以內的隨機數作為前綴，而不會導致傾斜的大部分key形成另外一個RDD。
3、接著將需要join的另一個RDD，也過濾出來那幾個傾斜key對應的數據並形成一個單獨的RDD，將每條數據膨脹成n條數據，這n條數據都按順序附加一個0~n的前綴，不會導致傾斜的大部分key也形成另外一個RDD。
4、再將附加了隨機前綴的獨立RDD與另一個膨脹n倍的獨立RDD進行join，此時就可以將原先相同的key打散成n份，分散到多個task中去進行join了。
5、而另外兩個普通的RDD就照常join即可。
6、最後將兩次join的結果使用union算子合並起來即可，就是最終的join結果。
方案實現原理：對於join導致的數據傾斜，如果只是某幾個key導致了傾斜，可以將少數幾個key分拆成獨立RDD，並附加隨機前綴打散成n份去進行join，此時這幾個key對應的數據就不會集中在少數幾個task上，而是分散到多個task進行join了。具體原理見下圖。
方案優點：對於join導致的數據傾斜，如果只是某幾個key導致了傾斜，采用該方式可以用最有效的方式打散key進行join。而且只需要針對少數傾斜key對應的數據進行擴容n倍，不需要對全量數據進行擴容。避免了占用過多內存。
方案缺點：如果導致傾斜的key特別多的話，比如成千上萬個key都導致數據傾斜，那麽這種方式也不適合。
解決方案七：使用隨機前綴和擴容RDD進行join
方案適用場景：如果在進行join操作時，RDD中有大量的key導致數據傾斜，那麽進行分拆key也沒什麽意義，此時就只能使用最後一種方案來解決問題了。
方案實現思路：
1、該方案的實現思路基本和“解決方案六”類似，首先查看RDD/Hive表中的數據分布情況，找到那個造成數據傾斜的RDD/Hive表，比如有多個key都對應了超過1萬條數據。
2、然後將該RDD的每條數據都打上一個n以內的隨機前綴。
3、同時對另外一個正常的RDD進行擴容，將每條數據都擴容成n條數據，擴容出來的每條數據都依次打上一個0~n的前綴。
4、最後將兩個處理後的RDD進行join即可。
方案實現原理：將原先一樣的key通過附加隨機前綴變成不一樣的key，然後就可以將這些處理後的“不同key”分散到多個task中去處理，而不是讓一個task處理大量的相同key。該方案與“解決方案六”的不同之處就在於，上一種方案是盡量只對少數傾斜key對應的數據進行特殊處理，由於處理過程需要擴容RDD，因此上一種方案擴容RDD後對內存的占用並不大;而這一種方案是針對有大量傾斜key的情況，沒法將部分key拆分出來進行單獨處理，因此只能對整個RDD進行數據擴容，對內存資源要求很高。
方案優點：對join類型的數據傾斜基本都可以處理，而且效果也相對比較顯著，性能提升效果非常不錯。
方案缺點：該方案更多的是緩解數據傾斜，而不是徹底避免數據傾斜。而且需要對整個RDD進行擴容，對內存資源要求很高。
方案實踐經驗：曾經開發一個數據需求的時候，發現一個join導致了數據傾斜。優化之前，作業的執行時間大約是60分鐘左右;使用該方案優化之後，執行時間縮短到10分鐘左右，性能提升了6倍。
解決方案八：多種方案組合使用
在實踐中發現，很多情況下，如果只是處理較為簡單的數據傾斜場景，那麽使用上述方案中的某一種基本就可以解決。但是如果要處理一個較為復雜的數據傾斜場景，那麽可能需要將多種方案組合起來使用。比如說，我們針對出現了多個數據傾斜環節的Spark作業，可以先運用解決方案一和二，預處理一部分數據，並過濾一部分數據來緩解;其次可以對某些shuffle操作提升並行度，優化其性能;最後還可以針對不同的聚合或join操作，選擇一種方案來優化其性能。大家需要對這些方案的思路和原理都透徹理解之後，在實踐中根據各種不同的情況，靈活運用多種方案，來解決自己的數據傾斜問題。
數據傾斜是多麽痛？spark作業調優秘籍