一、调优概述
有的时候，我们可能会遇到大数据计算中一个最棘手的问题——数据倾斜，此时 Spark 作业的性能会比期望差很多。数据倾斜调优，就是使用各种技术方案解决 不同类型的数据倾斜问题，以保证 Spark 作业的性能。
二、数据倾斜发生时的现象
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，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。
三、数据倾斜发生的原理
数据倾斜的原理很简单：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。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。
四、如何定位导致数据倾斜的代码
数据倾斜只会发生在 shuffle 过程中。这里给大家罗列一些常用的并且可能会触 发 shuffle 操作的算子：distinct、groupByKey、reduceByKey、aggregateByKey、 join、cogroup、repartition 等。出现数据倾斜时，可能就是你的代码中使用 了这些算子中的某一个所导致的。
五、某个 task 执行特别慢的情况
首先要看的，就是数据倾斜发生在第几个 stage 中。如果是用 yarn-client 模式 提交，那么本地是直接可以看到 log 的，可以在 log 中找到当前运行到了第几个 stage，可以看下之前写的 Hive 数据倾斜：Hive 数据倾斜问题定位排查及解决 如果是用 yarn-cluster 模式提交，则可以通过 Spark Web UI 来查看当前运行到 了第几个 stage。 此外，无论是使用 yarn-client 模式还是 yarn-cluster 模式，我们都可以在 Spark Web UI 上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。 有的 task 运行特别快，只需要几秒钟就可以运行完；而有的 task 运行特别慢，需要几分 钟才能运行完，此时单从运行时间上看就已经能够确定发生数据倾斜了。此外， 倒数第一列显示了每个 task 处理的数据量，明显可以看到，运行时间特别短的 task 只需要处理几百 KB 的数据即可，而运行时间特别长的 task 需要处理几千 KB 的数据，处理的数据量差了 10 倍。此时更加能够确定是发生了数据倾斜。 知道数据倾斜发生在哪一个 stage 之后，接着我们就需要根据 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，这里我 们可以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。 这里我们就以 Spark 最基础的入门程序——单词计数来举例，如何用最简单的方 法大致推算出一个 stage 对应的代码。如下示例，在整个代码中，只有一个 reduceByKey 是会发生 shuffle 的算子，因此就可以认为，以这个算子为界限， 会划分出前后两个 stage。 stage0，主要是执行从 textFile 到 map 操作，以及执行 shuffle write 操作。shuffle write 操作，我们可以简单理解为对 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，主要是执行从 reduceByKey 到 collect 操作，stage1 的各个 task 一开始运行，就会首先执行 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，供我们遍历和打印输出。
通过对单词计数程序的分析，希望能够让大家了解最基本的 stage 划分的原理， 以及 stage 划分后 shuffle 操作是如何在两个 stage 的边界处执行的。然后我们 就知道如何快速定位出发生数据倾斜的 stage 对应代码的哪一个部分了。比如我 们在 Spark Web UI 或者本地 log 中发现，stage1 的某几个 task 执行得特别慢， 判定 stage1 出现了数据倾斜，那么就可以回到代码中定位出 stage1 主要包括了 reduceByKey 这个 shuffle 类算子，此时基本就可以确定是由 educeByKey 算子 导致的数据倾斜问题。比如某个单词出现了 100 万次，其他单词才出现 10 次， 那么 stage1 的某个 task 就要处理 100 万数据，整个 stage 的速度就会被这个 task 拖慢。
六、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。我们建议直接看 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你的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。但是大家要注意的是，不能单纯靠偶然的内存溢
出就判定发生了数据倾斜。因为自己编写的代码的 bug，以及偶然出现的数据异常，也可能会导致内存溢出。因此还是要按照上面所讲的方法，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。
七、查看导致数据倾斜的 key 的数据分布情况
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。此时根据你执行操 作的情况不同，可以有很多种查看 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 SQL 中使用的表的 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。 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。
八、数据倾斜的解决方案
解决方案一：使用 Hive ETL 预处理数据
方案适用场景：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，那么比较适合使用这 种技术方案。
方案实现思路：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。
方案实现原理：这种方案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，那么肯定就不会有数据倾斜的问题了。但是这里也要提醒 一下大家，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。
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。
方案缺点：治标不治本，Hive ETL 中还是会发生数据倾斜。
方案实践经验：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。
项目实践经验：在美团·点评的交互式用户行为分析系统中使用了这种方案，该 系统主要是允许用户通过 Java Web 系统提交数据分析统计任务，后端通过 Java 提交 Spark 作业进行数据分析统计。要求 Spark 作业速度必须要快，尽量在 10 分钟以内，否则速度太慢，用户体验会很差。所以我们将有些 Spark 作业的 shuffle 操作提前到了 Hive ETL 中，从而让 Spark 直接使用预处理的 Hive 中间 表，尽可能地减少 Spark 的 shuffle 操作，大幅度提升了性能，将部分作业的性 能提升了 6 倍以上。
解决方案二：过滤少数导致倾斜的 key
方案适用场景：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。
方案实现思路：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 Spark Core 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。
方案实现原理：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。
方案优点：实现简单，而且效果也很好，可以完全规避掉数据倾斜。
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。
方案实践经验：在项目中我们也采用过这种方案解决数据倾斜。有一次发现某一 天 Spark 作业在运行的时候突然 OOM 了，追查之后发现，是 Hive 表中的某一个 key 在那天数据异常，导致数据量暴增。因此就采取每次执行前先进行采样，计 算出样本中数据量最大的几个 key 之后，直接在程序中将那些 key 给过滤掉。
解决方案三：提高 shuffle 操作的并行度
方案适用场景：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。
方案实现思路：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 shuffle read task 的并行度，该值默认是 200，对于很多场景来说都有点过小。
方案实现原理：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。
方案实践经验：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。
解决方案四：两阶段聚合（局部聚合+全局聚合）
方案适用场景：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。
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)。
方案实现原理：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。
解决方案五：将 reduce join 转为 map join
方案适用场景：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。
方案实现思路：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。
方案实现原理：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 shuffle read 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。
解决方案六：采样倾斜 key 并分拆 join 操作
方案适用场景：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。
方案实现思路：
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。 而另外两个普通的 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。
方案实现原理：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。
解决方案七：使用随机前缀和扩容 RDD 进行 join
方案适用场景：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： 该方案的实现思路基本和“解决方案六”类似，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。 然后将该 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。
方案实现原理：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。
方案实践经验：曾经开发一个数据需求的时候，发现一个 join 导致了数据倾斜。 优化之前，作业的执行时间大约是 60 分钟左右；使用该方案优化之后，执行时 间缩短到 10 分钟左右，性能提升了 6 倍。
解决方案八：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，我们针对出现了多个数 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。大家需 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。
