Spark调优-数据倾斜解决方案 原理及现象分析

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。