Spark调优-数据倾斜解决方案 原理及现象分析

    xiaoxiao2021-03-25  114

    数据倾斜解决方案 原理及现象分析 项目,第一个模块,用户访问session分析模块 1、大数据开发流程(需求分析。。。性能调优) 2、用户行为分析的业务(聚合统计、随机抽取、topn、排序) 3、技术点:大数据项目模块的技术架构、spark core各种算子、自定义Accumulator、随机抽取算法、 分组取topn、二次排序 4、大数据项目中的性能调优和troubleshooting 5、完整的数据倾斜解决方案 数据倾斜 在任何大数据类的项目中,都是最棘手的性能问题,最能体现人的技术能力,最能体现RD(Research    Developer,研发工程师)的技术水平。 数据倾斜 = 性能杀手 如果没有丰富的经验,或者没有受过专业的技术培训,是很难解决数据倾斜问题的 因为上述的特点,数据倾斜解决方案,这块儿内容和技术,在咱们的这个模块,甚至是整个项目中, 都是非常非常核心、有含金量、有价值的。 Spark的数据倾斜解决方案,好好去学习,数据倾斜解决方案,将成为你面试、在公司里的一个个人的杀手锏!!! 假设我们有90万数据,然后有3个task,感觉上,平均来说,应该是每个task分到30万数据 在执行shuffle操作的时候,大家都知道,我们之前讲解过shuffle的原理。是按照key, 来进行values的数据的输出、拉取和聚合的。 同一个key的values,一定是分配到一个reduce task进行处理的。 多个key对应的values,总共是90万。但是问题是,可能某个key对应了88万数据,key-88万values, 分配到一个task上去面去执行。 另外两个task,可能各分配到了1万数据,可能是数百个key,对应的1万条数据。 想象一下,出现数据倾斜以后的运行的情况。 第一个和第二个task,各分配到了1万数据;那么可能1万条数据,需要10分钟计算完毕; 第一个和第二个task,可能同时在10分钟内都运行完了;第三个task要88万条, 88 * 10 =  880分钟 = 14.5个小时; 大家看看,本来另外两个task很快就运行完毕了(10分钟),但是由于一个拖后腿的家伙,第三个task, 要14.5个小时才能运行完,就导致整个spark作业,也得14.5个小时才能运行完。 导致spark作业,跑的特别特别特别特别慢!!!像老牛拉破车! 数据倾斜,一旦出现,是不是性能杀手。。。。 A、数据倾斜的原理 原理比较简单就是大量数据都到某个task里面去了 B、数据倾斜的现象 发生数据倾斜以后的现象: spark数据倾斜,有两种表现: 1、你的大部分的task,都执行的特别特别快,刷刷刷,就执行完了(你要用client模式, standalone client,yarn client,本地机器主要一执行spark-submit脚本,就会开始打印log), task175 finished;剩下几个task,执行的特别特别慢,前面的task,一般1s可以执行完5个; 最后发现1000个task,998,999 task,要执行1个小时,2个小时才能执行完一个task。 出现数据倾斜了 还算好的,因为虽然老牛拉破车一样,非常慢,但是至少还能跑。 2、运行的时候,其他task都刷刷刷执行完了,也没什么特别的问题;但是有的task,就是会突然间, 啪,报了一个OOM,JVM Out Of Memory,内存溢出了,task failed,task lost,resubmitting task。 反复执行几次都到了某个task就是跑不通,最后就挂掉。 某个task就直接OOM,那么基本上也是因为数据倾斜了,task分配的数量实在是太大了!!! 所以内存放不下,然后你的task每处理一条数据,还要创建大量的对象。内存爆掉了。 出现数据倾斜了 这种就不太好了,因为你的程序如果不去解决数据倾斜的问题,压根儿就跑不出来。 作业都跑不完,还谈什么性能调优这些东西。扯淡。。。 C、数据倾斜的产生原因与定位 定位原因与出现问题的位置: 根据log去定位 出现数据倾斜的原因,基本只可能是因为发生了shuffle操作,在shuffle的过程中, 出现了数据倾斜的问题。因为某个,或者某些key对应的数据,远远的高于其他的key。 1、你在自己的程序里面找找,哪些地方用了会产生shuffle的算子,groupByKey、countByKey、 reduceByKey、join 2、看log log一般会报是在你的哪一行代码,导致了OOM异常;或者呢,看log,看看是执行到了第几个stage!!! 去找找,代码那个地方,是哪个shuffle操作。
    转载请注明原文地址: https://ju.6miu.com/read-9460.html

    最新回复(0)