聊一聊數(shù)據(jù)傾斜那些坑

作者：dantezhao?|?簡(jiǎn)書?|?CSDN?|?GITHUB

文章推薦：http://dantezhao.com/readme

個(gè)人主頁(yè)：http://dantezhao.com

0x00 前言

數(shù)據(jù)傾斜是大數(shù)據(jù)領(lǐng)域繞不開(kāi)的攔路虎，當(dāng)你所需處理的數(shù)據(jù)量到達(dá)了上億甚至是千億條的時(shí)候，數(shù)據(jù)傾斜將是橫在你面前一道巨大的坎。

邁的過(guò)去，將會(huì)海闊天空！邁不過(guò)去，就要做好準(zhǔn)備：很可能有幾周甚至幾月都要頭疼于數(shù)據(jù)傾斜導(dǎo)致的各類詭異的問(wèn)題。

文章結(jié)構(gòu)

0x01 什么是數(shù)據(jù)傾斜

簡(jiǎn)單的講，數(shù)據(jù)傾斜就是我們?cè)谟?jì)算數(shù)據(jù)的時(shí)候，數(shù)據(jù)的分散度不夠，導(dǎo)致大量的數(shù)據(jù)集中到了一臺(tái)或者幾臺(tái)機(jī)器上計(jì)算，這些數(shù)據(jù)的計(jì)算速度遠(yuǎn)遠(yuǎn)低于平均計(jì)算速度，導(dǎo)致整個(gè)計(jì)算過(guò)程過(guò)慢。

一、關(guān)鍵字：數(shù)據(jù)傾斜

相信大部分做數(shù)據(jù)的童鞋們都會(huì)遇到數(shù)據(jù)傾斜，數(shù)據(jù)傾斜會(huì)發(fā)生在數(shù)據(jù)開(kāi)發(fā)的各個(gè)環(huán)節(jié)中，比如：

這些問(wèn)題經(jīng)常會(huì)困擾我們，辛辛苦苦等了幾個(gè)小時(shí)的數(shù)據(jù)就是跑不出來(lái)，心里多難過(guò)啊。

例子很多，這里先隨便舉兩個(gè)，后文會(huì)詳細(xì)的說(shuō)明。

二、關(guān)鍵字：千億級(jí)

為什么要突出這么大數(shù)據(jù)量？先說(shuō)一下筆者自己最初對(duì)數(shù)據(jù)量的理解：

數(shù)據(jù)量大就了不起了？數(shù)據(jù)量少，機(jī)器也少，計(jì)算能力也是有限的，因此難度也是一樣的。憑什么數(shù)據(jù)量大就會(huì)有數(shù)據(jù)傾斜，數(shù)據(jù)量小就沒(méi)有？

這樣理解也有道理，但是比較片面，舉兩個(gè)場(chǎng)景來(lái)對(duì)比：

兩個(gè)公司都部署了 Hadoop 集群。假設(shè)現(xiàn)在遇到了數(shù)據(jù)傾斜，發(fā)生什么？

公司一的數(shù)據(jù)分時(shí)童鞋在做 join 的時(shí)候發(fā)生了數(shù)據(jù)傾斜，會(huì)導(dǎo)致有幾百萬(wàn)用戶的相關(guān)數(shù)據(jù)集中到了一臺(tái)服務(wù)器上，幾百萬(wàn)的用戶數(shù)據(jù)，說(shuō)大也不大，正常字段量的數(shù)據(jù)的話 64G 還是能輕松處理掉的。

公司二的數(shù)據(jù)分時(shí)童鞋在做 ?join的時(shí)候也發(fā)生了數(shù)據(jù)傾斜，可能會(huì)有 1 億的用戶相關(guān)數(shù)據(jù)集中到了一臺(tái)機(jī)器上了（相信我，這很常見(jiàn)），這時(shí)候一臺(tái)機(jī)器就很難搞定了，最后會(huì)很難算出結(jié)果。

0x02 數(shù)據(jù)傾斜長(zhǎng)什么樣

工作中遇到的大部分的數(shù)據(jù)傾斜問(wèn)題都解決了，而且也不想重新運(yùn)行任務(wù)來(lái)截圖，下面會(huì)分幾個(gè)場(chǎng)景來(lái)描述一下數(shù)據(jù)傾斜的特征，方便讀者辨別。

由于 Hadoop 和 Spark 是最常見(jiàn)的兩個(gè)計(jì)算平臺(tái)，下面就以這兩個(gè)平臺(tái)說(shuō)明：

一、Hadoop中的數(shù)據(jù)傾斜

Hadoop 中最常用的是的是 Mapreduce 和 Hive ，雖說(shuō) Hive 最后也是用 MR 來(lái)執(zhí)行（至少目前Hive內(nèi)存計(jì)算并不普及），但是畢竟寫的內(nèi)容邏輯區(qū)別很大，一個(gè)是程序，一個(gè)是 Sql，因此這里稍作區(qū)分。

Hadoop中的數(shù)據(jù)傾斜主要表現(xiàn)在、ruduce 階段卡在 99.99%，一直 99.99% 不能結(jié)束。

這里如果詳細(xì)的看日志或者和監(jiān)控界面的話會(huì)發(fā)現(xiàn)：

伴隨著數(shù)據(jù)傾斜，會(huì)出現(xiàn)任務(wù)被 kill 等各種詭異的表現(xiàn)。

經(jīng)驗(yàn)：Hive 的數(shù)據(jù)傾斜，一般都發(fā)生在 Sql 中 Group 和 On 上，而且和數(shù)據(jù)邏輯綁定比較深。

二、Spark 中的數(shù)據(jù)傾斜

Spark 中的數(shù)據(jù)傾斜也很常見(jiàn)，這里包括Spark Streaming 和 Spark Sql，表現(xiàn)主要有下面幾種：

補(bǔ)充一下，在 Spark streaming 程序中，數(shù)據(jù)傾斜更容易出現(xiàn)，特別是在程序中包含一些類似 Sql 的 join、group 這種操作的時(shí)候。 因?yàn)?Spark Streaming 程序在運(yùn)行的時(shí)候，我們一般不會(huì)分配特別多的內(nèi)存，因此一旦在這個(gè)過(guò)程中出現(xiàn)一些數(shù)據(jù)傾斜，就十分容易造成 OOM。

0x03 數(shù)據(jù)傾斜的原理

一、數(shù)據(jù)傾斜產(chǎn)生的原因

我們以 Spark 和 Hive 的使用場(chǎng)景為例。他們?cè)谧鰯?shù)據(jù)運(yùn)算的時(shí)候會(huì)涉及到，count distinct、group by、join 等操作，這些都會(huì)觸發(fā) Shuffle 動(dòng)作，一旦觸發(fā)，所有相同 key 的值就會(huì)拉到一個(gè)或幾個(gè)節(jié)點(diǎn)上，就容易發(fā)生單點(diǎn)問(wèn)題。

二、萬(wàn)惡的 Shuffle

Shuffle 是一個(gè)能產(chǎn)生奇跡的地方，不管是在 Spark 還是 Hadoop 中，它們的作用都是至關(guān)重要的。關(guān)于 Shuffle 的原理，這里不再講述，看看 Hadoop 相關(guān)的論文或者文章理解一下就 ok。這里主要針對(duì)在 Shuffle 如何產(chǎn)生了數(shù)據(jù)傾斜。

Hadoop 和 Spark 在 Shuffle 過(guò)程中產(chǎn)生數(shù)據(jù)傾斜的原理基本類似。如下圖。

大部分?jǐn)?shù)據(jù)傾斜的原理就類似于下圖，很明了，因?yàn)閿?shù)據(jù)分布不均勻，導(dǎo)致大量的數(shù)據(jù)分配到了一個(gè)節(jié)點(diǎn)。

AIIG14wibOvyE6FhE0ia6HW79NibwAY8r90L9RyqWIS2r2fQlTDF9kUw/0?wx_fmt=png" data-copyright="0" data-ratio="1.1333333333333333" data-w="345" />

三、從數(shù)據(jù)角度來(lái)理解數(shù)據(jù)傾斜

我們舉一個(gè)例子，就說(shuō)數(shù)據(jù)默認(rèn)值的設(shè)計(jì)吧，假設(shè)我們有兩張表：

這可能是兩個(gè)不同的人開(kāi)發(fā)的數(shù)據(jù)表，如果我們的數(shù)據(jù)規(guī)范不太完善的話，會(huì)出現(xiàn)一種情況，user 表中的 register_ip 字段，如果獲取不到這個(gè)信息，我們默認(rèn)為 null，但是在 ip 表中，我們?cè)诮y(tǒng)計(jì)這個(gè)值的時(shí)候，為了方便，我們把獲取不到 ip 的用戶，統(tǒng)一認(rèn)為他們的 ip 為 0。

兩邊其實(shí)都沒(méi)有錯(cuò)的，但是一旦我們做關(guān)聯(lián)了會(huì)出現(xiàn)什么情況，這個(gè)任務(wù)會(huì)在做關(guān)聯(lián)的階段，也就是sql的on的階段卡死。

四、從業(yè)務(wù)計(jì)角度來(lái)理解數(shù)據(jù)傾斜

數(shù)據(jù)往往和業(yè)務(wù)是強(qiáng)相關(guān)的，業(yè)務(wù)的場(chǎng)景直接影響到了數(shù)據(jù)的分布。

再舉一個(gè)例子，比如就說(shuō)訂單場(chǎng)景吧，我們?cè)谀骋惶煸诒本┖蜕虾蓚€(gè)城市多了強(qiáng)力的推廣，結(jié)果可能是這兩個(gè)城市的訂單量增長(zhǎng)了10000%，其余城市的數(shù)據(jù)量不變。

然后我們要統(tǒng)計(jì)不同城市的訂單情況，這樣，一做 group 操作，可能直接就數(shù)據(jù)傾斜了。

0x04 如何解決

數(shù)據(jù)傾斜的產(chǎn)生是有一些討論的，解決它們也是有一些討論的，本章會(huì)先給出幾個(gè)解決數(shù)據(jù)傾斜的思路，然后對(duì) Hadoop 和 Spark 分別給出一些解決數(shù)據(jù)傾斜的方案。

注意：?很多數(shù)據(jù)傾斜的問(wèn)題，都可以用和平臺(tái)無(wú)關(guān)的方式解決，比如更好的數(shù)據(jù)預(yù)處理， 異常值的過(guò)濾等，因此筆者認(rèn)為，解決數(shù)據(jù)傾斜的重點(diǎn)在于對(duì)數(shù)據(jù)設(shè)計(jì)和業(yè)務(wù)的理解，這兩個(gè)搞清楚了，數(shù)據(jù)傾斜就解決了大部分了。

一、幾個(gè)思路

解決數(shù)據(jù)傾斜有這幾個(gè)思路：

二、從業(yè)務(wù)和數(shù)據(jù)上解決數(shù)據(jù)傾斜

很多數(shù)據(jù)傾斜都是在數(shù)據(jù)的使用上造成的。我們舉幾個(gè)場(chǎng)景，并分別給出它們的解決方案。

數(shù)據(jù)分布不均勻：

前面提到的“從數(shù)據(jù)角度來(lái)理解數(shù)據(jù)傾斜”和“從業(yè)務(wù)計(jì)角度來(lái)理解數(shù)據(jù)傾斜”中的例子，其實(shí)都是數(shù)據(jù)分布不均勻的類型，這種情況和計(jì)算平臺(tái)無(wú)關(guān)，我們能通過(guò)設(shè)計(jì)的角度嘗試解決它。

三、Hadoop平臺(tái)的優(yōu)化方法

列出來(lái)一些方法和思路，具體的參數(shù)和用法在官網(wǎng)看就行了。

四、Spark平臺(tái)的優(yōu)化方法

列出來(lái)一些方法和思路，具體的參數(shù)和用法在官網(wǎng)看就行了。

0xFF 總結(jié)

數(shù)據(jù)傾斜的坑還是很大的，如何處理數(shù)據(jù)傾斜是一個(gè)長(zhǎng)期的過(guò)程，希望本文的一些思路能提供幫助。

文中一些內(nèi)容沒(méi)有細(xì)講，比如 Hive Sql 的優(yōu)化，數(shù)據(jù)清洗中的各種坑，這些留待后面單獨(dú)的分享，會(huì)有很多的內(nèi)容。

另外千億級(jí)別的數(shù)據(jù)還會(huì)有更多的難點(diǎn)，不僅僅是數(shù)據(jù)傾斜的問(wèn)題，這一點(diǎn)在后面也會(huì)有專門的分享。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。