漫談千億級數據優化實踐：數據傾斜

0x00 前言 

引用

數據傾斜是大數據領域繞不開的攔路虎，當你所需處理的數據量到達了上億甚至是千億條的時候，數據傾斜將是橫在你面前一道巨大的坎。 
邁的過去，將會海闊天空！邁不過去，就要作好準備：極可能有幾周甚至幾月都要頭疼於數據傾斜致使的各種詭異的問題。

鄭重聲明： 

• 話題比較大，技術要求也比較高，筆者盡最大的能力來寫出本身的理解，寫的不對和很差的地方你們一塊兒交流。
• 有些例子不是特別嚴謹，一些小細節對文章理解沒有影響，不要太在乎。（好比我在算機器內存的時候，就不把Hadoop自身的進程算到使用內存中）
• 總的來說我的感受寫的仍是比較乾貨的。

文章結構 

• 先大體解釋一下什麼是數據傾斜
• 再根據幾個場景來描述一下數據傾斜產生的狀況
• 詳細分析一下在Hadoop和Spark中產生數據傾斜的緣由
• 如何解決（優化）數據傾斜問題？

0x01 什麼是數據傾斜 
簡單的講，數據傾斜就是咱們在計算數據的時候，數據的分散度不夠，致使大量的數據集中到了一臺或者幾臺機器上計算，這些數據的計算速度遠遠低於平均計算速度，致使整個計算過程過慢。 

1、關鍵字：數據傾斜 
相信大部分作數據的童鞋們都會遇到數據傾斜，數據傾斜會發生在數據開發的各個環節中，好比： 

• 用Hive算數據的時候reduce階段卡在99.99%
• 用SparkStreaming作實時算法時候，一直會有executor出現OOM的錯誤，可是其他的executor內存使用率卻很低。

這些問題常常會困擾咱們，辛辛苦苦等了幾個小時的數據就是跑不出來，內心多難過啊。 

例子不少，這裏先隨便舉兩個，後文會詳細的說明。 

2、關鍵字：千億級 
爲何要突出這麼大數據量？先說一下筆者本身最初對數據量的理解： 

引用

數據量大就了不得了？數據量少，機器也少，計算能力也是有限的，所以難度也是同樣的。憑什麼數據量大就會有數據傾斜，數據量小就沒有？

這樣理解也有道理，可是比較片面，舉兩個場景來對比： 

• 公司一：總用戶量1000萬，5臺64G內存的的服務器。
• 公司二：總用戶量10億，1000臺64G內存的服務器。

兩個公司都部署了Hadoop集羣。假設如今遇到了數據傾斜，發生什麼？ 

公司一的數據分時童鞋在作join的時候發生了數據傾斜，會致使有幾百萬用戶的相關數據集中到了一臺服務器上，幾百萬的用戶數據，說大也不大，正常字段量的數據的話64G仍是能輕鬆處理掉的。 

公司二的數據分時童鞋在作join的時候也發生了數據傾斜，可能會有1個億的用戶相關數據集中到了一臺機器上了（相信我，這很常見），這時候一臺機器就很難搞定了，最後會很難算出結果。 

0x02 數據傾斜長什麼樣 
筆者大部分的數據傾斜問題都解決了，並且也不想從新運行任務來截圖，下面會分幾個場景來描述一下數據傾斜的特徵，方便讀者辨別。 

因爲Hadoop和Spark是最多見的兩個計算平臺，下面就以這兩個平臺說明： 
1、Hadoop中的數據傾斜 
Hadoop中直接貼近用戶使用使用的時Mapreduce程序和Hive程序，雖然說Hive最後也是用MR來執行（至少目前Hive內存計算並不普及），可是畢竟寫的內容邏輯區別很大，一個是程序，一個是Sql，所以這裏稍做區分。 

Hadoop中的數據傾斜主要表如今、ruduce階段卡在99.99%，一直99.99%不能結束。 

這裏若是詳細的看日誌或者和監控界面的話會發現： 

• 有一個多幾個reduce卡住
• 各類container報錯OOM
• 讀寫的數據量極大，至少遠遠超過其它正常的reduce

伴隨着數據傾斜，會出現任務被kill等各類詭異的表現。 

經驗：Hive的數據傾斜，通常都發生在Sql中Group和On上，並且和數據邏輯綁定比較深。 

2、Spark中的數據傾斜 
Spark中的數據傾斜也很常見，這裏包括Spark Streaming和Spark Sql，表現主要有下面幾種： 

• Executor lost，OOM，Shuffle過程出錯
• Driver OOM
• 單個Executor執行時間特別久，總體任務卡在某個階段不能結束
• 正常運行的任務忽然失敗

補充一下，在Spark streaming程序中，數據傾斜更容易出現，特別是在程序中包含一些相似sql的join、group這種操做的時候。 由於Spark Streaming程序在運行的時候，咱們通常不會分配特別多的內存，所以一旦在這個過程當中出現一些數據傾斜，就十分容易形成OOM。 

0x03 數據傾斜的原理 
1、數據傾斜產生的緣由 
咱們以Spark和Hive的使用場景爲例。他們在作數據運算的時候會設計到，countdistinct、group by、join等操做，這些都會觸發Shuffle動做，一旦觸發，全部相同key的值就會拉到一個或幾個節點上，就容易發生單點問題。 

2、萬惡的shuffle 
Shuffle是一個能產生奇蹟的地方，不論是在Spark仍是Hadoop中，它們的做用都是相當重要的。關於Shuffle的原理，這裏再也不講述，看看Hadoop相關的論文或者文章理解一下就ok。這裏主要針對，在Shuffle如何產生了數據傾斜。 

Hadoop和Spark在Shuffle過程當中產生數據傾斜的原理基本相似。以下圖。 

大部分數據傾斜的原理就相似於下圖，很明瞭，由於數據分佈不均勻，致使大量的數據分配到了一個節點。 

3、從數據角度來理解數據傾斜 
咱們舉一個例子，就說數據默認值的設計吧，假設咱們有兩張表： 

• user（用戶信息表）：userid，register_ip
• ip（IP表）：ip，register_user_cnt

這多是兩個不一樣的人開發的數據表，若是咱們的數據規範不太完善的話，會出現一種狀況，user表中的register_ip字段，若是獲取不到這個信息，咱們默認爲null，可是在ip表中，咱們在統計這個值的時候，爲了方便，咱們把獲取不到ip的用戶，統一認爲他們的ip爲0。 

兩邊其實都沒有錯的，可是一旦咱們作關聯了會出現什麼狀況，這個任務會在作關聯的階段，也就是sql的on的階段卡死。 

4、從業務計角度來理解數據傾斜 
數據每每和業務是強相關的，業務的場景直接影響到了數據的分佈。 

再舉一個例子，好比就說訂單場景吧，咱們在某一天在北京和上海兩個城市多了強力的推廣，結果多是這兩個城市的訂單量增加了10000%，其他城市的數據量不變。 

而後咱們要統計不一樣城市的訂單狀況，這樣，一作group操做，可能直接就數據傾斜了。 

0x04 如何解決 
數據傾斜的產生是有一些討論的，解決它們也是有一些討論的，本章會先給出幾個解決數據傾斜的思路，而後對Hadoop和Spark分別給出一些解決數據傾斜的方案。 

注意： 不少數據傾斜的問題，均可以用和平臺無關的方式解決，好比更好的數據預處理， 異常值的過濾等，所以筆者認爲，解決數據傾斜的重點在於對數據設計和業務的理解，這兩個搞清楚了，數據傾斜就解決了大部分了。 

1、幾個思路 
解決數據傾斜有這幾個思路： 

• 業務邏輯，咱們從業務邏輯的層面上來優化數據傾斜，好比上面的例子，咱們單獨對這兩個城市來作count，最後和其它城市作整合。
• 程序層面，好比說在Hive中，常常遇到count（distinct）操做，這樣會致使最終只有一個reduce，咱們能夠先group 再在外面包一層count，就能夠了。
• 調參方面，Hadoop和Spark都自帶了不少的參數和機制來調節數據傾斜，合理利用它們就能解決大部分問題。

2、從業務和數據上解決數據傾斜 
不少數據傾斜都是在數據的使用上形成的。咱們舉幾個場景，並分別給出它們的解決方案。 

數據分佈不均勻： 

前面提到的「從數據角度來理解數據傾斜」和「從業務計角度來理解數據傾斜」中的例子，其實都是數據分佈不均勻的類型，這種狀況和計算平臺無關，咱們能經過設計的角度嘗試解決它。 

• 有損的方法：
•         找到異常數據，好比ip爲0的數據，過濾掉
• 無損的方法：
•        對分佈不均勻的數據，單獨計算 
          先對key作一層hash，先將數據打散讓它的並行度變大，再聚集
• 數據預處理

3、Hadoop平臺的優化方法 
列出來一些方法和思路，具體的參數和用法在官網看就好了。 

• mapjoin方式
• count distinct的操做，先轉成group，再count
• 萬能膏藥：hive.groupby.skewindata=true
• left semi jioin的使用
• 設置map端輸出、中間結果壓縮。（不徹底是解決數據傾斜的問題，可是減小了IO讀寫和網絡傳輸，能提升不少效率）

4、Spark平臺的優化方法 
列出來一些方法和思路，具體的參數和用法在官網看就好了。 

• mapjoin方式
• 設置rdd壓縮
• 合理設置driver的內存
• Spark Sql中的優化和Hive相似，能夠參考Hive

0xFF 總結 
數據傾斜的坑仍是很大的，如何處理數據傾斜是一個長期的過程，但願本文的一些思路能提供幫助。 

文中一些內容沒有細講，好比Hive Sql的優化，數據清洗中的各類坑，這些留待後面單獨的分享，會有不少的內容。 

另外千億級別的數據還會有更多的難點，不只僅是數據傾斜的問題，這一點在後面也會有專門的分享。 

參考 

• https://hive.apache.org/
• http://spark.apache.org/
• http://www.jianshu.com/p/17baa9f96ca7
• 還有網上的一些博客也提供的一些思路，不過都沒有經驗和痛帶來的感悟多。