1 Data Skew 数据倾斜
1.1 数据倾斜概念
对Hive、Spark、Flink等大数据计算框架来讲，数据量大并不可怕，可怕的是数据倾斜。
数据倾斜是指并行处理的数据集中某一部分的数据显著多于其它部分，从而使得该部分的处理速度成为整个数据集处理的瓶颈。
数据倾斜是大数据计算中一个最棘手的问题，发生数据倾斜后，Spark作业的性能会比期望差很多。
举个 word count 的入门例子：若进行 word count 的文本有100G，其中 80G 全部是 “aaa” ，剩下 20G 是其余单词，那就会形成 80G 的数据量交给同一个 reduce task进行相加，其余 20G 根据分配到不同 reduce task进行相加的情况，如此就造成了数据倾斜，结果是绝大部分task在几秒内跑完，reduce 整体跑到 99%，然后一直在原地等着那80G 的reduce task 跑完。
1.2 发生数据倾斜时的现象
- 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，990个task都在1分钟之内执行完了，但是剩余10来个task却要一两个小时。这种情况很常见，如上面的示例
- 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，是业务代码导致的，这种情况比较少见。
1.3 数据倾斜的原因
Shuffle数据之后导致数据分布不均匀，不同的Task处理的数据量差异太大，导致在机器性能、代码一样的情况下，task的执行时间差异太大。
在进行shuffle的时候，必须将各个节点上相同的key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，就会发生数据倾斜。如上面word count的示例。
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
1.4 定位数据倾斜的代码
数据倾斜只会发生在shuffle过程中。这里罗列一些常用的并且可能会触发shuffle操作的算子：
- 重分区操作：比如repartition、repartitionAndSortWithinPartitions、coalesce等；重分区操作一般引起shuffle，因为需要在整个集群中，对之前所有的分区的数据进行随机，均匀的打乱，然后把数据放入下游新的指定数量的分区内
- byKey类操作：比如reduceByKey、groupByKey、sortByKey、countByKey、combineByKey、aggregateByKey、foldByKey等；因为byKey操作是针对key进行操作【最常用用的是聚合操作】，需要保证相同的key，一定是到同一个节点上进行处理
- join类操作：比如join、cogroup等，两个rdd进行join，就必须将相同join key的数据，shuffle到同一个节点上，然后进行相同key的两个rdd数据的笛卡尔乘积
- 去重操作: distinct
- 排序操作: sortByKey, sort
- 集合或者表操作： intersection、subtractByKey，subtract
- …
出现数据倾斜时，可能就是代码中使用了这些算子中的某一个所导致的。
1.4.1 某个task执行特别慢的情况
通过Spark Web UI查看任务执行情况:
- 查看当前spark application运行到了第几个stage
- 深入看一下当前这个stage各个task分配的数据量，从而进一步确定是不是task分配的数据不均匀导致了数据倾斜。
- 回到代码中定位出这个stage导致shuffle类的算子，此时基本就可以确定是哪个算子导致的数据倾斜问题
知道数据倾斜发生在哪一个stage之后，接着就需要根据stage划分原理，推算出来发生倾斜的那个stage对应代码中的哪一部分，这部分代码中肯定会有一个shuffle类算子。
精准推算stage与代码的对应关系，需要对Spark的源码有深入的理解，这里介绍一个相对简单实用的推算方法：只要看到Spark代码中出现了一个shuffle类算子或者是Spark SQL的SQL语句中出现了会导致shuffle的语句（比如group by语句），那么就可以判定，以那个地方为界限划分出了前后两个stage。
以Spark单词计数来举例：在整个代码中，只有一个reduceByKey是会发生shuffle的算子，因此可以认为以这个算子为界限，会划分出前后两个stage。
- stage0：主要执行从textFile到map操作，以及执行shuffle write操作。shuffle write操作，可以简单理解为对pairs RDD中的数据进行分区操作，每个task处理的数据中，相同的key会写入同一个磁盘文件内。
- stage1：主要执行从reduceByKey到collect操作，stage1的各个task一开始运行，首先执行shuffle read操作。执行shuffle read操作的task，会从stage0的各个task所在节点拉取属于自己处理的那些key，然后对同一个key进行全局性的聚合或join等操作，在这里就是对key的value值进行累加。stage1在执行完reduceByKey算子之后，就计算出了最终的wordCounts RDD，然后会执行collect算子，将所有数据拉取到Driver上，供遍历和打印输出。
import org.apache.spark.{SparkConf, SparkContext}
object ScalaWordCount {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("Scala Word Count")
val sc = new SparkContext(conf)
val lines = sc.textFile("hdfs://...")
val words = lines.flatMap(_.split(" "))
val pairs = words.map((_, 1))
val wordCounts = pairs.reduceByKey(_ + _)
wordCounts.collect().foreach(println(_))
sc.stop()
}
}1.4.2 某个task莫名其妙内存溢出的情况
这种情况下去定位出问题的代码就比较容易了。建议直接看yarn-client模式下本地log的异常栈，或者是通过YARN查看yarn-cluster模式下的log中的异常栈。
一般来说，通过异常栈信息就可以定位到代码中哪一行发生了内存溢出。然后在那行代码附近找找，一般也会有shuffle类算子，此时很可能就是这个算子导致了数据倾斜。
注意： 不能单纯靠偶然的内存溢出就判定发生了数据倾斜。因代码的bug以及偶然出现的数据异常，也可能会导致内存溢出。因此需要通过Spark Web UI查看报错的那个stage的各个task的运行时间以及分配的数据量，才能确定是否是由于数据倾斜才导致了这次内存溢出。
1.5 导致数据倾斜的key分布情况
查看key分布的方式:
- 如果是Spark SQL中的group by、join语句导致的数据倾斜，那么就查询一下使用表的key分布情况。
- 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。
val sampledPairs = pairs.sample(false, 0.2)
val sampledWordCounts = sampledPairs.countByKey()
sampledWordCounts.foreach(println(_))2 数据倾斜的解决方案
2.1 使用Hive ETL预处理数据
实现原理：将shuffle操作前移到hive中执行，从根源上解决了数据倾斜，因为彻底避免了在Spark中执行shuffle类算子。
方案缺点：治标不治本，Hive ETL中还是会发生数据倾斜。
方案优点：实现起来简单便捷，效果还非常好，完全规避掉了数据倾斜，Spark作业的性能会大幅度提升。
适用场景：数据源头表的数据存在倾斜，业务场景需要频繁使用Spark对Hive表执行某个分析操作
hive的数据倾斜解决方案如下：
- 当出现小文件过多时：合并小文件 set hive.merge.mapfiles=true
- 当group by分组的维度过少，每个维度的值过多时：调优参数【注意以下2个参数不能同时使用，否则统计结果有问题】
- 设置在map阶段做部分聚合操作 hive.map.aggr=true
- 设置数据倾斜时负载均衡 hive.groupby.skewindata=true : 它分为了两个mapreduce，第一个在shuffle过程中partition时随机给key打标记，使其分布在不同的reduce上计算，但不能完成全部运算，所以需要第二次mapreduce整合回归正常的shuffle，由于数据分布不均问题在第一次时得到改善，所以基本解决数据倾斜问题。
- 调节SQL语句
- 关联字段带空值的两表Join时：把空值的key变成一个字符串加上随机数，这样就可以把倾斜的数据分到不同的reduce上，此外由于空值关联不起来，所以处理后并不影响最终结果
- 大小表Join时：使用map join让小表（10000条以下的记录条数） 先进内存，在map端完成reduce
set hive.auto.convert.join=true; //设置 MapJoin 优化自动开启
set hive.mapjoin.smalltable.filesize=25000000 //设置小表不超过多大时开启 mapjoin 优化
- count(distinct xx)时有大量相同的特殊值：用sum() group by的方式来替换count(distinct)完成计算。如：如select a,count(distinct b) from t group by a，用select a,sum(1) from (select a,b from t group by a,b) group by a替代。
- …
2.2 过滤少数导致倾斜的key
实现原理：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。
方案缺点：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。可用于数据异常时导致某一个key产生的数据量暴增。
方案优点：实现简单，而且效果也很好，可以完全规避掉数据倾斜。
适用场景: 如果发现导致数据倾斜的key是极少数，并且对计算本身影响不大，那么这种方案比较适用。
通过spark的sample算子，定位到数据倾斜的key，然后使用filter算子或sql where条件将其过滤即可。
2.3 提高shuffle操作的并行度
实现原理: 增加shuffle read task的数量，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
方案优点：实现起来比较简单，可以有效缓解和减轻数据倾斜的影响。
方案缺点：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：如果必须要对数据倾斜迎难而上，请优先使用这种方案，因为这是处理数据倾斜最简单的一种方案。
此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，尝试去用嘴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。
2.4 两阶段聚合（局部聚合+全局聚合）
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。类似于hive中设置数据倾斜时负载均衡参数 hive.groupby.skewindata=true
方案优点：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。
方案缺点：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。
适用场景: 适用于聚合类的shuffle操作
示例代码如下:
val logger: Logger = LoggerFactory.getLogger(this.getClass)
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("Scala Word Count").setMaster("local")
val sc = new SparkContext(conf)
val list = List(
"hello you hello hello me",
"hello you hello hello are you ok",
"oh hello hello world"
)
val listRDD = sc.parallelize(list)
val pairsRDD = listRDD.flatMap(line => line.split("\\s+")).map((_, 1))
//step 1 【可选】找到发生数据倾斜key
val sampleRDD = pairsRDD.sample(false, 0.2)
val cbk= sampleRDD.countByKey()
val dsKeys = cbk.toBuffer.sortWith((t1, t2) => t1._2 > t2._2)
println("================>sample,打印key的分布情况:")
dsKeys.foreach(print(_))
println()
//step 2给RDD中的每个key都打上一个随机前缀。
val prefixPairsRDD = pairsRDD.map{case(word,count) => {
val random = new Random()
val prefix = random.nextInt(3)
(s"${prefix}_${word}", count)
}}
//step 3 对打上随机前缀的key进行局部聚合。
val partAggrInfo = prefixPairsRDD.reduceByKey(_+_)
println("===============>局部聚合之后的结果：")
partAggrInfo.foreach(println)
//step 4 全局聚合
//step 4.1 去掉前缀
val unPrefixPairRDD = partAggrInfo.map{case (word, count) => {
(word.substring(word.indexOf("_") + 1), count)
}}
println("================>去掉随机前缀之后的结果：")
unPrefixPairRDD.foreach(println)
// step 4.2 全局聚合
val fullAggrInfo = unPrefixPairRDD.reduceByKey(_+_)
println("===============>全局聚合之后的结果：")
fullAggrInfo.foreach(println)
sc.stop()
}2.5 将reduce join转为map join
实现原理：如果一个RDD是比较小的，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。类似于hive 大小表Join时：使用map join让小表先进内存，在map端完成reduce。
方案优点：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。
方案缺点：适用场景较少，因为只适用于一个大表和一个小表的情况。
因为需要将小表进行广播，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。
适用场景: 适用于一个大表和一个小表（几百MB以内）的情况
示例代码如下:
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("Scala Word Count").setMaster("local")
val sc = new SparkContext(conf)
val students = List(
"1 张三 1",
"2 李四 1",
"3 赵美丽 2",
"4 赵六 1",
"5 王五 1",
"6 jasen 1"
)
val cls = List(
"1 2000级1班",
"2 2000级2班",
"3 2000级3班",
"4 2000级4班",
"7 2000级5班"
)
val stuRDD = sc.parallelize(students)
//step 1 Broadcast小表
// 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，
// 然后使用Spark的广播功能，将小RDD的数据转换成广播变量，这样每个Executor就只有一份RDD的数据。
// 可以尽可能节省内存空间，并且减少网络传输性能开销。
val map = cls.map(line => {
val cols = line.split("\\s+")
(cols(0), cols(1))
}).toMap
val clsMapBC: Broadcast[Map[String, String]] = sc.broadcast(map)
stuRDD.map { case line => {
//在算子函数中，通过广播变量，获取到本地Executor中的rdd1数据, 将
val map = clsMapBC.value
val cols = line.split("\\s+")
val cid = cols(2)
val className = map.getOrElse(cid, "UnKnown")
s"${cols(0)}\t${cols(1)}\t${className}"
}
}.foreach(println)
sc.stop()
}2.6 采样倾斜key并分拆join操作
实现原理：对于join导致的数据倾斜，如果只是某几个key导致了倾斜，可以将少数几个key分拆成独立RDD，并附加随机前缀打散成n份去进行join，此时这几个key对应的数据就不会集中在少数几个task上，而是分散到多个task进行join了。具体原理见下图。
方案优点：对于join导致的数据倾斜，如果只是某几个key导致了倾斜，采用该方式可以用最有效的方式打散key进行join。而且只需要针对少数倾斜key对应的数据进行扩容n倍，不需要对全量数据进行扩容。避免了占用过多内存。
方案缺点：如果导致倾斜的key特别多的话，比如成千上万个key都导致数据倾斜，那么这种方式也不适合。
适用场景：两个RDD/Hive表进行join的时候，如果数据量都比较大，无法采用“解决方案五”，那么此时可以看一下两个RDD/Hive表中的key分布情况。如果出现数据倾斜，是因为其中某一个RDD/Hive表中的少数几个key的数据量过大，而另一个RDD/Hive表中的所有key都分布比较均匀，那么采用这个解决方案是比较合适的。
具体实现思路如下：
- 对包含少数几个数据量过大的key的那个RDD，通过sample算子采样出一份样本来，然后统计一下每个key的数量，计算出来数据量最大的是哪几个key。
- 然后将这几个key对应的数据从原来的RDD中拆分出来，形成一个单独的RDD，并给每个key都打上n以内的随机数作为前缀，而不会导致倾斜的大部分key形成另外一个RDD。
- 接着将需要join的另一个RDD，也过滤出来那几个倾斜key对应的数据并形成一个单独的RDD，将每条数据膨胀成n条数据，这n条数据都按顺序附加一个0~n的前缀，不会导致倾斜的大部分key也形成另外一个RDD。
- 再将附加了随机前缀的独立RDD与另一个膨胀n倍的独立RDD进行join，此时就可以将原先相同的key打散成n份，分散到多个task中去进行join了。
- 另外两个普通的RDD就照常join即可。
- 最后将两次join的结果使用union算子合并起来即可，就是最终的join结果。
示例代码如下:
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("Scala Word Count").setMaster("local")
val sc = new SparkContext(conf)
val list1 = List(
"hello 1",
"hello 2",
"hello 3",
"hello 4",
"you 1",
"me 2"
)
val list2 = List(
"hello zhangsan 1",
"hello lisi 1",
"you wangwu 2",
"me zhouqi 2"
)
val listRDD1 = sc.parallelize(list1).map(line => {
val fields = line.split("\\s+")
(fields(0), fields(1))
})
val listRDD2 = sc.parallelize(list2).map(line => {
val fields = line.split("\\s+")
(fields(0), fields(1))
})
val joinRDD: RDD[(String, (String, String))] = dataSkewRDDJoin(sc, listRDD1, listRDD2)
println("最后进行join的结果：")
joinRDD.foreach(println)
sc.stop()
}
private def dataSkewRDDJoin(sc: SparkContext, listRDD1: RDD[(String, String)], listRDD2: RDD[(String, String)]) = {
//假设rdd1中的部分key有数据倾斜，所以在进行join操作的时候，需要进行拆分计算
//step 1 找到发生数据倾斜的key
val dsKeys = listRDD1.sample(false, 0.6).countByKey().toList.sortWith((t1, t2) => t1._2 > t2._2).take(1).map(t => t._1)
println("通过sample算子得到的可能发生数据倾斜的key：" + dsKeys)
//step 2 对rdd1和rdd2中的数据按照dsKeys各拆分成两个部分
//step 2.1 讲dataSkewKeys进行广播
val dskBC = sc.broadcast(dsKeys)
// step 2.2 进行拆分
val dataSkewRDD1 = listRDD1.filter { case (word, value) => {
val dsks = dskBC.value
dsks.contains(word)
}
}
val commonRDD1 = listRDD1.filter { case (word, value) => {
val dsks = dskBC.value
!dsks.contains(word)
}
}
val dataSkewRDD2 = listRDD2.filter { case (word, value) => {
val dsks = dskBC.value
dsks.contains(word)
}
}
val commonRDD2 = listRDD2.filter { case (word, value) => {
val dsks = dskBC.value
!dsks.contains(word)
}
}
//step 3 对dataskewRDD进行添加N以内随机前缀
// step 3.1 添加随机前缀
val prefixDSRDD1: RDD[(String, String)] = dataSkewRDD1.map { case (word, value) => {
val random = new Random()
val prefix = random.nextInt(3)
(s"${prefix}_${word}", value)
}
}
// step 3.2 另一个rdd进行扩容
val prefixDSRDD2: RDD[(String, String)] = dataSkewRDD2.flatMap { case (word, value) => {
val ab = ArrayBuffer[(String, String)]()
for (i <- 0 until 2) {
ab.append((s"${i}_${word}", value))
}
ab
}
}
println("---->有数据倾斜RDD1添加前缀成prefixDSRDD1的结果：" + prefixDSRDD1.collect().mkString(","))
println("---->有数据倾斜RDD2扩容之后成prefixDSRDD2的结果：" + prefixDSRDD2.collect().mkString(","))
// step 4 分步进行join操作
// step 4.1 有数据倾斜的prefixDSRDD1和prefixDSRDD2进行join
val prefixJoinDSRDD = prefixDSRDD1.join(prefixDSRDD2)
//ste 4.2 无数据倾斜的commonRDD1和commonRDD2进行join
val commonJoinRDD = commonRDD1.join(commonRDD2)
// step 4.3 将随机前缀去除
val dsJionRDD = prefixJoinDSRDD.map { case (word, (value1, value2)) => {
(word.substring(2), (value1, value2))
}
}
//step 5 将拆分进行join之后的结果进行union连接，得到最后的结果 sql union all
val joinRDD = dsJionRDD.union(commonJoinRDD)
joinRDD
}2.7 使用随机前缀和扩容RDD进行join
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“解决方案六”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。
方案缺点：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。
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，此时就只能使用最后一种方案来解决问题了。
方案实现思路：
- 将该RDD的每条数据都打上一个n以内的随机前缀。
- 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。
- 最后将两个处理后的RDD进行join即可。
示例代码如下:
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("Scala Word Count").setMaster("local")
val sc = new SparkContext(conf)
val list1 = List(
"hello 1",
"hello 2",
"hello 3",
"hello 4",
"you 1",
"me 2"
)
val list2 = List(
"hello zhangsan 1",
"hello lisi 1",
"you wangwu 2",
"me zhouqi 2"
)
val listRDD1 = sc.parallelize(list1).map(line => {
val fields = line.split("\\s+")
(fields(0), fields(1))
})
val listRDD2 = sc.parallelize(list2).map(line => {
val fields = line.split("\\s+")
(fields(0), fields(1))
})
val joinRDD: RDD[(String, (String, String))] = dataSkewRDDJoin(sc, listRDD1, listRDD2)
println("最后进行join的结果：")
joinRDD.foreach(println)
sc.stop()
}
private def dataSkewRDDJoin(sc: SparkContext, listRDD1: RDD[(String, String)], listRDD2: RDD[(String, String)]) = {
//将一个有数据倾斜key的RDD，每条数据都打上100以内的随机前缀。
val mappedRDD: RDD[(String, String)] = listRDD1.map { case (word, value) => {
val random = new Random()
val prefix = random.nextInt(3)
(s"${prefix}_${word}", value)
}
}
// 将其中一个key分布相对较为均匀的RDD膨胀100倍。
val expandedRDD: RDD[(String, String)] = listRDD2.flatMap { case (word, value) => {
val ab = ArrayBuffer[(String, String)]()
for (i <- 0 until 3) {
ab.append((s"${i}_${word}", value))
}
ab
}
}
val joinedRDD = mappedRDD.join(expandedRDD)
// 将随机前缀去除
val dsJionRDD = joinedRDD.map { case (word, (value1, value2)) => {
(word.substring(2), (value1, value2))
}
}
dsJionRDD
}2.8 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。比如说，针对出现了多个数据倾斜环节的Spark作业，可以先运用解决方案一和二，预处理一部分数据，并过滤一部分数据来缓解；其次可以对某些shuffle操作提升并行度，优化其性能；最后还可以针对不同的聚合或join操作，选择一种方案来优化其性能。
需要对这些方案的思路和原理都透彻理解之后，在实践中根据各种不同的情况，灵活运用多种方案，来解决自己的数据倾斜问题。
3 总结
大多数Spark作业的性能主要就是消耗在了shuffle环节，因为该环节包含了大量的磁盘IO、序列化、网络数据传输等操作。
因此，如果要让作业的性能更上一层楼，就有必要对shuffle过程进行调优。
注意： 影响一个Spark作业性能的因素，主要还是代码开发、资源参数以及数据倾斜，shuffle调优只能在整个Spark的性能调优中占到一小部分而已。
因此务必把握住调优的基本原则，千万不要舍本逐末。
