Spark 倾斜连接

【数据倾斜出现的原因】

并行计算中,我们总希望分配的每一个任务(task)都能以相似的粒度来切分,且完成时间相差不大。但是由于集群中的硬件和应用的类型不同、切分的数据大小不一,总会导致部分任务极大地拖慢了整个任务的完成时间，数据倾斜原因如下：

•  业务数据本身的特性
•  Key分布不均匀
•  建表时考虑不周
•  某些SQL语句本身就有数据倾斜

数据倾斜的表现：任务进度长时间维持,查看任务监控页面,由于其处理的数据量与其他任务差异过大,会发现只有少量(1个或几个)任务未完成。

---

【数据倾斜的解决方案】

数据倾斜有很多解决方案,本例简要介绍一种实现方式。假设表A和表B连接,表A数据倾斜,只有一个Key倾斜。首先对A进行采样,统计出最倾斜的Key。将A表分隔为A1只有倾斜Key,A2不包含倾斜Key,然后分别与B连接。

---

【数据实例】

------ ------ 

我们要实现上面两个表的连接，很容易发现在table1中（1，tom）出现的次数明显比其他的键值对要多，是倾斜数据。通过处理我们要把它拆分成两部分，如上图所示。然后这两部分分别与table2做连接操作，最后把结果汇总到一起。

---

【SPARK 代码】

package spark

import org.apache.spark.{SparkContext, SparkConf}

/**
  * Created by Liu Jinhong on 2016/5/27.
  */
object TiltJoin {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("TiltJoin").setMaster("local")
    val sc = new SparkContext(conf)
    val line1 = sc.textFile("E:\\testdoc\\a.txt")
    val line2 = sc.textFile("E:\\testdoc\\b.txt")

    val table1 = line1.map(_.split(' ')).map(x => (x(0), x(1)))
    val table2 = line2.map(_.split(' ')).map(x => (x(0), x(1)))
    //对table1进行采样
    val sample = table1.sample(false, 0.3, 9).map(x => (x._1, 1)).reduceByKey(_+_)
    //找到table1中的倾斜数据
    val maxrowKey = sample.map(x => (x._2, x._1)).sortByKey(false).take(1).toSeq(0)._2
    //把table1拆分成两个表
    val maxrowTable = table1.filter(_._1 == maxrowKey)
    val maintable = table1.filter(_._1 != maxrowKey)

    val result = sc.union(maxrowTable.join(table2), maintable.join(table2)).foreach(println(_))
  }
}

---

【涉及到的函数】

val maxrowKey = sample.map(x => (x._2, x._1)).sortByKey(false).take(1).toSeq(0)._2

上诉代码相当于实现了按照value降序排序。