一、什么是数据倾斜

分布式数据处理中一份大的数据会按照key分组分成多个小份的数据放到不同的机器上去并行的处理，这里的大数据分成多份我们叫做分区。

分区最佳的情况就是分出来的数据很均匀，放到各个机器上去，刚好能够并行的一起跑完。

很差的情况就是分出来不均匀，导致大部分数据跑完了，就留下一两个还在跑。

这样导致一下几个危害：

1. 最终任务花费的时间很长，失去了分布式计算的优势
2. 不均匀的分配也可能会，让小的数据一下跑完，资源就空闲了，而大的数据可能会由于资源的不足跑挂掉，最终导致整个任务的失败。

在spark中的表现：某个stage的有几个task跑得比大部分task都慢很多，可以在WEB-UI的stage详情页观察到。
首先从Summary Metrics这个块看到duration（持续时间）的max超出75%百分位很多。
可以看到duration比其他任务要长很多而且还失败了，这时候我们还观察到这个失败的task的shuffle read 比别的task都多，不管从size（占用空间）还是records（记录数）上。如下图

二、数据倾斜的解决方法

数据倾斜有三种形式得倾斜：

• 一是分区不均，某几个分区对应的key太多。多数情况都是这种倾斜。
• 二是单个key对应的数据量太多
• 三是单条记录数据太大（比如数组中的值太多）

2.1 加并行度

这是一种很简单的处理方案，将分区增多，数据打得更散，充分发挥分布式的优势。
但是分区增量task也会增多，带来的额外的管理成本就更多了，分的太多反而跑得更慢，存储结果的成本也增加了，不是一个很好的解决方案。
可以在以下几个地方增加分区。
1.在倾斜的stage之前使用reparation重分区。
2.设置shuffle的并行度，大部分情况都使用这个。

2.2 处理特殊case

这种就比较常见了，经常会发现很多stage跑到剩下一个task死活跑不过或者耗时非常久。倾斜的key我们可以通过groupby key进行count来寻找，一般都是空值、空字符串、还有特别热点的key。如何处理这就看你的业务需求咯。

2.3 利用小trick打散key

针对第二种倾斜的形式，我们可以在key上加随机前缀或后缀这样加盐的方式来将一个key变成多个key先进行一次shuffle，最后再还原回来。

例如我们需要进行分组统计，但是数据倾斜了，我们可以对key加随机前缀，把一个key变成多个进行count，最后sum。

def add_random_prefix(key):
    return str(randint[0，3])+key

def remove_random_prefix(key):
    return key[1:]

df.selectExpr("add_random_prefix(key)  key_with_prefix")\
    .groupby("key_with_prefix").count()\
    .selectExpr("remove_random_prefix(key_with_prefix) key")\
    .groupby("key").sum()

这种方式比较麻烦特别是在join的情况下，要考虑的东西比较多。
加盐的方式也会数据量不是那么多的key也打的更散了，计算起来有点浪费资源。

2.4 自定义分区方案

这种就更高端了些，需要自己去实现一个partitioner，不多说，还不如构造key来实现自定义分区。

三、总结

我们探讨了什么是数据倾斜，如何判别，如何解决数据倾斜，是不是又收获了很多呢。
可以关注我其他文章看看spark是如何分区进行计算的
学习资料