大数据|大数据项目中数据倾斜

一、数据倾斜包含:hadoop数据倾斜,hive中数据倾斜、spark数据倾斜 【hadoop中的数据倾斜表现】 1、有一个多几个 Reduce 卡住,卡在 99.99%,一直不能结束。
2、各种 container 报错 OOM
3、异常的 Reducer 读写的数据量极大,至少远远超过其它正常的 Reducer
4、伴随着数据倾斜,会出现任务被 kill 等各种诡异的表现。
【hive 中数据倾斜】 一般都发生在 Sql 中 group by 和 join on 上,而且和数据逻辑绑定比较深。
【Spark 中的数据倾斜】 Spark 中的数据倾斜,包括 Spark Streaming 和 Spark Sql,表现主要有下面几种:
1、Executor lost,OOM,Shuffle 过程出错;
2、Driver OOM;
3、 单个 Executor 执行时间特别久,整体任务卡在某个阶段不能结束;
4、 正常运行的任务突然失败;
二、数据倾斜产生的原因 我们以 Spark 和 Hive 的使用场景为例。
他们在做数据运算的时候会涉及到,count distinct、group by、join on 等操作,这些都会触发 Shuffle 动作。一旦触发 Shuffle,所有相同 key 的值就会被拉到一个或几个 Reducer 节点上,容易发生单点计算问题,导致数据倾斜。
一般来说,数据倾斜原因有以下几方面:
1、key分布不均匀
大数据|大数据项目中数据倾斜
文章图片

2、建表时考虑不周
例如有两张表
user(用户信息表):userid,register_ip
ip(IP 表):ip,register_user_cnt
这可能是两个不同的人开发的数据表。如果我们的数据规范不太完善的话,会出现一种情况:
user 表中的 register_ip 字段,如果获取不到这个信息,我们默认为 null;但是在 ip 表中,我们在统计这个值的时候,为了方便,我们把获取不到 ip 的用户,统一认为他们的 ip 为 0。两边其实都没有错的,但是一旦我们做关联了,这个任务会在做关联的阶段,也就是 sql的 on 的阶段卡死。
3、业务数据激增
比如订单场景,我们在某一天在北京和上海两个城市多了强力的推广,结果可能是这两
个城市的订单量增长了 10000%,其余城市的数据量不变。
然后我们要统计不同城市的订单情况,这样,一做 group 操作,可能直接就数据倾斜了。
【数据倾斜解决思路】 很多数据倾斜的问题,都可以用和平台无关的方式解决,比如更好的数据预处理,异常值的过滤等。因此,解决数据倾斜的重点在于对数据设计和业务的理解,这两个搞清楚了,数据倾斜就解决了大部分了。
1、业务逻辑
我们从业务逻辑的层面上来优化数据倾斜,比如上面的两个城市做推广活动导致那两个城市数据量激增的例子,我们可以单独对这两个城市来做 count,单独做时可用两次 MR,第一次打散计算,第二次再最终聚合计算。完成后和其它城市做整合。
2、程序层面
比如说在 Hive 中,经常遇到 count(distinct)操作,这样会导致最终只有一个 Reduce 任务。
我们可以先 group by,再在外面包一层 count,就可以了。比如计算按用户名去重后的总用户量:
(1)优化前 只有一个 reduce,先去重再 count 负担比较大:
select name,count(distinct name)from user;
(2)优化后
// 设置该任务的每个 job 的 reducer 个数为 3 个。Hive 默认-1,自动推断。
set mapred.reduce.tasks=3;
// 启动两个 job,一个负责子查询(可以有多个 reduce),另一个负责 count(1):
select count(1) from (select name from user group by name) tmp;
3、调参方面
Hadoop 和 Spark 都自带了很多的参数和机制来调节数据倾斜,合理利用它们就能解决大部分问题。
4、从业务和数据上解决数据倾斜
很多数据倾斜都是在数据的使用上造成的。我们举几个场景,并分别给出它们的解决方案。
? 有损的方法:找到异常数据,比如 ip 为 0 的数据,过滤掉
? 无损的方法:对分布不均匀的数据,单独计算
? 先对 key 做一层 hash,先将数据随机打散让它的并行度变大,再汇集
? 数据预处理
定位导致数据倾斜代码
【大数据|大数据项目中数据倾斜】Spark 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。

    推荐阅读