发现数据倾斜的时候，不要急于提高executor的资源，修改参数或是修改程序，首先要检查数据本身，是否存在异常数据。

• 1、数据问题造成的数据倾斜

  • 找出异常的key 
    
    • 如果任务长时间卡在最后最后1个(几个)任务，首先要对key进行抽样分析，判断是哪些key造成的。 
      选取key，对数据进行抽样，统计出现的次数，根据出现次数大小排序取出前几个。
    • 比如: df.select(“key”).sample(false,0.1).(k=>(k,1)).reduceBykey(+).map(k=>(k._2,k._1)).sortByKey(false).take(10)
    • 如果发现多数数据分布都较为平均，而个别数据比其他数据大上若干个数量级，则说明发生了数据倾斜。
  • 经过分析，倾斜的数据主要有以下三种情况: 
    
    • 1、null（空值）或是一些无意义的信息()之类的,大多是这个原因引起。
    • 2、无效数据，大量重复的测试数据或是对结果影响不大的有效数据。
    • 3、有效数据，业务导致的正常数据分布。
  • 解决办法 
    
    • 第1，2种情况，直接对数据进行过滤即可（因为该数据对当前业务不会产生影响）。
    • 第3种情况则需要进行一些特殊操作，常见的有以下几种做法 
      
      • (1) 隔离执行，将异常的key过滤出来单独处理，最后与正常数据的处理结果进行union操作。
      • (2) 对key先添加随机值，进行操作后，去掉随机值，再进行一次操作。
      • (3) 使用reduceByKey 代替 groupByKey(reduceByKey用于对每个key对应的多个value进行merge操作，最重要的是它能够在本地先进行merge操作，并且merge操作可以通过函数自定义.)
      • (4) 使用map join。
  • 案例 
    
    • 如果使用reduceByKey因为数据倾斜造成运行失败的问题。具体操作流程如下: 
      
      • (1) 将原始的 key 转化为 key + 随机值(例如Random.nextInt)
      • (2) 对数据进行 reduceByKey(func)
      • (3) 将 key + 随机值 转成 key
      • (4) 再对数据进行 reduceByKey(func)
  • 案例操作流程分析： 
    
    • 假设说有倾斜的Key，我们给所有的Key加上一个随机数，然后进行reduceByKey操作；此时同一个Key会有不同的随机数前缀，在进行reduceByKey操作的时候原来的一个非常大的倾斜的Key就分而治之变成若干个更小的Key，不过此时结果和原来不一样，怎么破？进行map操作，目的是把随机数前缀去掉，然后再次进行reduceByKey操作。（当然，如果你很无聊，可以再次做随机数前缀），这样我们就可以把原本倾斜的Key通过分而治之方案分散开来，最后又进行了全局聚合
    • 注意1: 如果此时依旧存在问题，建议筛选出倾斜的数据单独处理。最后将这份数据与正常的数据进行union即可。
    • 注意2: 单独处理异常数据时，可以配合使用Map Join解决。

• 2、spark使用不当造成的数据倾斜

  • 提高shuffle并行度

    • dataFrame和sparkSql可以设置spark.sql.shuffle.partitions参数控制shuffle的并发度，默认为200。
    • rdd操作可以设置spark.default.parallelism控制并发度，默认参数由不同的Cluster Manager控制。
    • 局限性: 只是让每个task执行更少的不同的key。无法解决个别key特别大的情况造成的倾斜，如果某些key的大小非常大，即使一个task单独执行它，也会受到数据倾斜的困扰。

  • 使用map join 代替reduce join

    • 在小表不是特别大(取决于你的executor大小)的情况下使用，可以使程序避免shuffle的过程，自然也就没有数据倾斜的困扰了.（详细见Spark map-side-join 关联优化、spark join broadcast优化）
    • 局限性: 因为是先将小数据发送到每个executor上，所以数据量不能太大。