很可惜 T 。T 您现在还不是作者身份，不能自主发稿哦～
如有投稿需求，请把文章发送到邮箱tougao@appcpx.com，一经录用会有专人和您联系
咨询如何成为春羽作者请联系：鸟哥笔记小羽毛（ngbjxym）
这是我的第64篇原创
数据倾斜是上帝对某个服务器的过于偏爱。
上帝太过于偏爱某个服务器，因此给他分配了太多的任务，导致数据都倾斜到这台服务器了。
在大数据场景中，无论是MapReduce还是Spark，都会因两阶段之间的shuffle导致各个服务器接受到的数据导致处理量失衡的问题。情况严重，就变成数据倾斜了。
我们之所以创造分布式环境，就是因为我们将一个巨大的任务拆解成若干个小任务，给不同的服务器执行，这样总执行时间就会减小至1/n。理想状态的任务处理情况应该如下图所示：
原本单机环境需要执行100s的任务，由5台服务器共同执行，每台服务器执行20s，最后总时间会远远大于单机环境的执行时间。而且我们还可以通过不断增加服务器，来不断减少总运行时间。但是往往会出现这种情况：
某4台服务器很快就执行完了任务，但是其中有一台服务器的迟迟不能完成，严重的时候甚至会OOM（Out Of Memory）。究其原因，其实如同上面说过的，在分布式处理的不同阶段之间会有一个混洗（shuffle）的过程：
在Map或者Spark的Stage1阶段，由于每个数据块的大小都是一致的（默认128M），所以在这个阶段是不会出现数据倾斜的。但是一旦我们对数据进行Shuffle，比如按照商品品类进行分组之后，在Reduce或Stage2阶段，数据将会出现严重的倾斜：原本每台服务器都只需要处理3条数据，Shuffle之后，其中两台服务器各只需处理1条，而剩余的那台服务器则需要执行8条数据。三台服务器处理的数据量比为7：1：1。数据倾斜至第一台服务器。任务延迟，甚至OOM。
如何解决数据倾斜呢：
三个层面：
1、预判-原始数据预防，保证原始数据不倾斜；
2、躲闪-规避数据倾斜，尽量规避Shuffle；
3、硬刚-处理数据倾斜，无法规避Shuffle，用各种办法优化Shuffle过程。
虽说HDFS的数据都是128M，不会一开始就出现数据倾斜，但是仍然有以下几种情况：
1、数据压缩后，128M文件大小一样，但是数据量不一样；
2、存在不可切分的大文件；
3、流式数据。
这几种情况还是可能会导致程度不一的数据倾斜的。我们需要做一些简单的处理：
1、数据压缩后，128M文件大小一样，但是数据量不一样；
解决办法：压缩前，保证每个文件中的数据量基本一致；
2、存在不可切分的大文件；
解决办法：生成数据时，尽量减少不可切分的文件，尽量按照HDFS的逻辑，存成可切分的文件；或者保证这些大文件中的数据量基本一致，且单机可处理。
3、流式数据；
解决办法：Kafka的partition实现建议使用随机、轮询等方法，尽量使各topic的各partition的数据尽量平衡。
既然我们知道数据倾斜的主要原因的shuffle导致的，那么我们首要的优化方向就是shuffle，能不用尽量不要用。有以下几种方法我们可以规避：
4、ETL预处理
在面对无法避免的原始数据倾斜（Hive表中key分布不均匀、kafka中某topic的partititoner含有业务属性，天然不均匀等），我们可以通过前置ETL过程，进行预处理。
注意：这个方法只是将成本转嫁，并没有解决问题。适合削峰填谷类的操作，比如我们将数据预处理好，避免凌晨集中计算的时候处理时间过长，影响其他任务。
5、过滤不必要的key
很多数据分析师在单体数据库的时候，就有一个不好的习惯：总喜欢select *。在hive、spark等分布式环境中，就吃苦头了，经常遇到数据倾斜甚至OOM。有经验的数据分析师在写sql的时候，通常会先group by一下，看看数据的分布情况，然后再处理。
咱在分布式环境中也可以做类似的事情，就是采样。
离线环境可以用随机采样，实时环境可以用鱼塘采样。采样能够快速摸清楚各个key的大致分布。扫一眼数据量大的key，如果跟你的计算没啥关系，直接过滤就行。
比如上面举的例子，母婴品类占绝大多数，但是运营的要求是分析3C产品，那你过滤掉母婴产品，一则减少计算量，二则规避了数据倾斜的问题。
6、Reduce join 改为Map join
如果是大小表的join，比如订单表和订单类型、订单状态的join，如果使用reduce join的话，就非常容易在shuflle之后出现数据倾斜。建议的原则：只要一台服务器的内存能吃下这张小表（主要看服务器内存大小，建议2g以内，再大就影响服务器性能了），就建议用map join。这样join完之后，每份数据依然是基本均衡的，而且规避了shuffle导致数据倾斜的问题。
上述几步，能做的都做了，还是不行，那就只能硬刚了。这时就只能八仙过海各显神通了。基本的逻辑还是一样的，就是能拆的尽量拆，不能拆的用空间换时间，或者自定义。
7、通用优化：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，可以让任务和数据更均匀的分布在整个集群中。但是这个调优方法有些玄学成分在，因为你不知道他是咋分过去的。
并行度调整有三个方法：
●操作函数内设置
testRDD.groupByKey(200)
●代码中设置“spark.default.parallelism”
conf.set("spark.default.parallelism", 200)
●配置文件中设置“$SPARK_HOME/conf/spark-defaults.conf” 文件
spark.default.parallelism 200
8、拆分超大key
前面说过采样后过滤。如果采样之后发现这个key还是你需要的，无法怎么办？那就把超大数据量的key拆分出来，单独做成一个任务，这样超大数据量的key一个任务，其他中小数据量的key一个任务，两个任务分别做join啊什么的处理，最后把结果合并一下就行了。
为了避免超大数据量的key单独join的时候还是一个key一个任务，可以在key上加上随机数取模的前缀，这样就把数据分成了N份，然后再join。
9、阶段拆分-两阶段聚合
对于聚合类的操作，这种方式可以说是数据倾斜的大杀器。简单来说就是在需要聚合的key前加一个随机数取模的前缀，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。示意图如下：
对比之前的例子中，处理母婴的服务器和处理3c、图书的服务器任务量是7:1:1，这个方案的数据就非常均匀了。
10、任务拆分
很多时候数据情况会非常复杂，有null值、有超大数据量的key、还有各种需要过滤的数据，还有各种聚合和join。那这个时候就需要把任务再拆分。一部分用上面的key值过滤，一部分用Map Join，一部分用超大key单独处理。
11、随机前缀
前面说过小表join的时候可以用Map join。但是遇到大表join大表咋办？三个方法：1、大表拆成小表，多次join；2、SortMergeJoin；3、位图法（详见《位图法搞定10亿用户量用户标签处理》）。
那大表+中表，该咋处理？可以考虑用随机前缀+RDD扩容的方法解决join的问题。
如果你将要join的表不大不小，又不适合用上面大大表的处理方法，那就可以用这个通用的join方法。简单来说，就是对A表中需要join的字段加上n以内的随机数前缀，然后再把B表中的数据复制N份，join的字段加上1-N的前缀，然后量表再join，就能解决数据倾斜的问题了。示意如下：
原始数据如下：
不经处理直接join是这样的，part1很明显比part2要多好几倍的数据：
我们对A表和B表进行随机前缀和RDD扩容处理之后：
然后再join，这样每个part的数据就非常均匀了：
这个方法比较坑的是B表这个RDD需要扩容，要复制N份，对内存要求比较高。但是这个方法可以说是通杀Join的数据倾斜问题。
12、自定义partitioner
上面说改spark的并行数也可以改善数据倾斜，但是有点玄学的意思在里面。其根本原因就是不管你怎么调优，计算引擎的分区都是按照固定的方法进行的，根本不会，也没办法考虑数据真实情况。
无论是二阶段聚合解决聚合的问题，还是随机前缀+RDD扩容解决join的问题，都是通用解决办法，而且还麻烦。其实最好的解决办法就是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。
数据倾斜并不可怕，咱可以糙一些，也可以精致一些。但是建议还是糙一些，这样简单粗暴，多节省一些时间干（xue）点（dong）别（xi）的
往期精彩回顾
本文为作者独立观点，不代表鸟哥笔记立场，未经允许不得转载。
《鸟哥笔记版权及免责申明》 如对文章、图片、字体等版权有疑问，请点击 反馈举报
Powered by QINGMOB PTE. LTD. © 2010-2022 上海青墨信息科技有限公司 沪ICP备2021034055号-6
我们致力于提供一个高质量内容的交流平台。为落实国家互联网信息办公室“依法管网、依法办网、依法上网”的要求，为完善跟帖评论自律管理，为了保护用户创造的内容、维护开放、真实、专业的平台氛围，我们团队将依据本公约中的条款对注册用户和发布在本平台的内容进行管理。平台鼓励用户创作、发布优质内容，同时也将采取必要措施管理违法、侵权或有其他不良影响的网络信息。
一、根据《网络信息内容生态治理规定》《中华人民共和国未成年人保护法》等法律法规，对以下违法、不良信息或存在危害的行为进行处理。
1. 违反法律法规的信息，主要表现为：
1)反对宪法所确定的基本原则；
2)危害国家安全，泄露国家秘密，颠覆国家政权，破坏国家统一，损害国家荣誉和利益；
3)侮辱、滥用英烈形象，歪曲、丑化、亵渎、否定英雄烈士事迹和精神，以侮辱、诽谤或者其他方式侵害英雄烈士的姓名、肖像、名誉、荣誉；
4)宣扬恐怖主义、极端主义或者煽动实施恐怖活动、极端主义活动；
5)煽动民族仇恨、民族歧视，破坏民族团结；
6)破坏国家宗教政策，宣扬邪教和封建迷信；
7)散布谣言，扰乱社会秩序，破坏社会稳定；
8)宣扬淫秽、色情、赌博、暴力、凶杀、恐怖或者教唆犯罪；
9)煽动非法集会、结社、游行、示威、聚众扰乱社会秩序；
10)侮辱或者诽谤他人，侵害他人名誉、隐私和其他合法权益；
11)通过网络以文字、图片、音视频等形式，对未成年人实施侮辱、诽谤、威胁或者恶意损害未成年人形象进行网络欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法规禁止的其他内容；
2. 不友善：不尊重用户及其所贡献内容的信息或行为。主要表现为：
1)轻蔑：贬低、轻视他人及其劳动成果；
2)诽谤：捏造、散布虚假事实，损害他人名誉；
3)嘲讽：以比喻、夸张、侮辱性的手法对他人或其行为进行揭露或描述，以此来激怒他人；
4)挑衅：以不友好的方式激怒他人，意图使对方对自己的言论作出回应，蓄意制造事端；
5)羞辱：贬低他人的能力、行为、生理或身份特征，让对方难堪；
6)谩骂：以不文明的语言对他人进行负面评价；
7)歧视：煽动人群歧视、地域歧视等，针对他人的民族、种族、宗教、性取向、性别、年龄、地域、生理特征等身份或者归类的攻击；
8)威胁：许诺以不良的后果来迫使他人服从自己的意志；
3. 发布垃圾广告信息：以推广曝光为目的，发布影响用户体验、扰乱本网站秩序的内容，或进行相关行为。主要表现为：
1)多次发布包含售卖产品、提供服务、宣传推广内容的垃圾广告。包括但不限于以下几种形式：
2)单个帐号多次发布包含垃圾广告的内容；
3)多个广告帐号互相配合发布、传播包含垃圾广告的内容；
4)多次发布包含欺骗性外链的内容，如未注明的淘宝客链接、跳转网站等，诱骗用户点击链接
5)发布大量包含推广链接、产品、品牌等内容获取搜索引擎中的不正当曝光；
6)购买或出售帐号之间虚假地互动，发布干扰网站秩序的推广内容及相关交易。
7)发布包含欺骗性的恶意营销内容，如通过伪造经历、冒充他人等方式进行恶意营销；
8)使用特殊符号、图片等方式规避垃圾广告内容审核的广告内容。
4. 色情低俗信息，主要表现为：
1)包含自己或他人性经验的细节描述或露骨的感受描述；
2)涉及色情段子、两性笑话的低俗内容；
3)配图、头图中包含庸俗或挑逗性图片的内容；
4)带有性暗示、性挑逗等易使人产生性联想；
5)展现血腥、惊悚、残忍等致人身心不适；
6)炒作绯闻、丑闻、劣迹等；
7)宣扬低俗、庸俗、媚俗内容。
5. 不实信息，主要表现为：
1)可能存在事实性错误或者造谣等内容；
2)存在事实夸大、伪造虚假经历等误导他人的内容；
3)伪造身份、冒充他人，通过头像、用户名等个人信息暗示自己具有特定身份，或与特定机构或个人存在关联。
6. 传播封建迷信，主要表现为：
1)找人算命、测字、占卜、解梦、化解厄运、使用迷信方式治病；
2)求推荐算命看相大师；
3)针对具体风水等问题进行求助或咨询；
4)问自己或他人的八字、六爻、星盘、手相、面相、五行缺失，包括通过占卜方法问婚姻、前程、运势，东西宠物丢了能不能找回、取名改名等；
7. 文章标题党，主要表现为：
1)以各种夸张、猎奇、不合常理的表现手法等行为来诱导用户；
2)内容与标题之间存在严重不实或者原意扭曲；
3)使用夸张标题，内容与标题严重不符的。
8.「饭圈」乱象行为，主要表现为：
1)诱导未成年人应援集资、高额消费、投票打榜
2)粉丝互撕谩骂、拉踩引战、造谣攻击、人肉搜索、侵犯隐私
3)鼓动「饭圈」粉丝攀比炫富、奢靡享乐等行为
4)以号召粉丝、雇用网络水军、「养号」形式刷量控评等行为
5)通过「蹭热点」、制造话题等形式干扰舆论，影响传播秩序
9. 其他危害行为或内容，主要表现为：
1)可能引发未成年人模仿不安全行为和违反社会公德行为、诱导未成年人不良嗜好影响未成年人身心健康的；
2)不当评述自然灾害、重大事故等灾难的；
3)美化、粉饰侵略战争行为的；
4)法律、行政法规禁止，或可能对网络生态造成不良影响的其他内容。
二、违规处罚
本网站通过主动发现和接受用户举报两种方式收集违规行为信息。所有有意的降低内容质量、伤害平台氛围及欺凌未成年人或危害未成年人身心健康的行为都是不能容忍的。
当一个用户发布违规内容时，本网站将依据相关用户违规情节严重程度，对帐号进行禁言 1 天、7 天、15 天直至永久禁言或封停账号的处罚。当涉及欺凌未成年人、危害未成年人身心健康、通过作弊手段注册、使用帐号，或者滥用多个帐号发布违规内容时，本网站将加重处罚。
三、申诉
随着平台管理经验的不断丰富，本网站出于维护本网站氛围和秩序的目的，将不断完善本公约。
如果本网站用户对本网站基于本公约规定做出的处理有异议，可以通过「建议反馈」功能向本网站进行反馈。
(规则的最终解释权归属本网站所有)