spark数据倾斜

（1）spark中的数据倾斜的现象？
1、数据倾斜的现象
多数task执行速度较快，少数task执行时间非常长，或者等待很长时间后提示你内存不够，执行失败
（2）数据倾斜的原因？
数据问题：
1、key本身分布不均衡（包括大量的key为空）
2、key的设置不合理
spark使用问题：
shuffle时的并行度不够
计算方式错误
（3）数据倾斜的后果？
1、spark中的stage的执行时间受限于最后那个执行完成的task，因此运行缓慢的任务会拖垮整个程序的运行速度（分布式程序运行的速度由最慢的task决定的）
2、过多的数据在同一个task中执行，将会把excutor撑爆
（4）、spark数据倾斜的处理：
发现数据倾斜的时候，不要急于提高excutor的资源，修改参数或是修改程序，首先要检查数据本身，是否存在问题。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
如果任务长时间按卡在最后一个任务，首先要对key进行抽样分析，判断是那些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，则说明数据倾斜
二、经过分析数据倾斜的情况主要分为三种：
1、null（空值）或者是一些无意义的信息之类的，大多数是这个原因引起的
2.无效数据，大量重复的测试数据或者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
解决方法：
第一二种情况：直接对数据进行过滤操作即可
第三种情况：需要对数据进行一些特殊的操作：常见做法：
1、隔离执行，将异常的key过滤出来进行单独处理，最后与正常的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，再进行操作。
3、使用reducebykey代替groupbykey用于每个key对应的多个value进行merge操作，最重要的是能够在本地进行merge操作
4、使用mapjoin
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？
（1）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。
（2）避免不必要的shuffle如使用小表广播然后合并join后的结果
(3)使用map join代替reduce join 在小表不是特别大可以避免shuffle的过程
对于Spark中的数据倾斜问题你有什么好的方案？

1）前提是定位数据倾斜，是OOM了，还是任务执行缓慢，看日志，看WebUI

2)解决方法，有多个方面

· 避免不必要的shuffle，如使用广播小表的方式，将reduce-side-join提升为map-side-join

·分拆发生数据倾斜的记录，分成几个部分进行，然后合并join后的结果

·改变并行度，可能并行度太少了，导致个别task数据压力大

·两阶段聚合，先局部聚合，再全局聚合

·自定义paritioner，分散key的分布，使其更加均匀