欢迎您访问365答案网,请分享给你的朋友!
生活常识 学习资料

大数据常见问题:数据倾斜的原理及处理方案

时间:2023-05-02
什么是数据倾斜

Hadoop能够进行对海量数据进行批处理的核心,在于它的分布式思想,通过多台服务器(节点)组成集群,共同完成任务,进行分布式的数据处理。

理想状态下,一个任务是由集群下所有机器共同承担执行任务,每个节点承担的任务应该相近,但实际上在并行处理过程中,分配到每台节点的数据量并不是均匀的,当大量的数据分配到某一个节点时(假设10个节点,5亿数据),那么原本只需要1小时完成的工作,变成了其中9个节点不到1小时就完成了工作,而分配到了大量数据的节点,花了5个小时才完成

从最终结果来看,就是这个处理10亿数据的任务,集群花了5个小时才最终得出结果。大量的数据集中到了一台或者几台机器上计算,这些数据的计算速度远远低于平均计算速度,导致整个计算过程过慢,这种情况就是发生了数据倾斜。

为什么会导致数据倾斜 数据倾斜发生的原因

1)、key分布不均匀

某些key的数量过于集中,存在大量相同值的数据

存在大量异常值或空值。

2)、业务数据本身的特性

例如某个分公司或某个城市订单量大幅提升几十倍甚至几百倍,对该城市的订单统计聚合时,容易发生数据倾斜。

3)、建表时考虑不周

4)、某些SQL语句本身就有数据倾斜

两个表中关联字段存在大量空值,或是关联字段的数据不统一,例如在A表中值是大写,B表中值是小写等情况。

发生数据倾斜的SQL操作 数据倾斜发生时的现象 MapReduce任务:

主要表现在ruduce阶段卡在99.99%,一直99.99%不能结束。

有一个多几个reduce卡住各种container报错OOM读写的数据量极大,至少远远超过其它正常的reduce伴随着数据倾斜,会出现任务被kill等各种诡异的表现。Spark任务:

绝大多数task执行得都非常快,但个别task执行的极慢。单个Executor执行时间特别久,整体任务卡在某个stage不能结束Executor lost,OOM,Shuffle过程出错。正常运行的任务突然失败用SparkStreaming做实时算法时候,一直会有executor出现OOM的错误,但是其余的executor内存使用率却很低。 为什么要处理? 首先要知道数据倾斜的危害 1.任务长时间挂起,资源利用率下降

在分阶段执行任务的场景下,阶段与阶段之间通常存在数据上的依赖关系,后一阶段任务需要等前一阶段执行完成才能开始

举个例子

Stage1在Stage0之后执行,假如Stage1依赖Stage0产生的数据结果,那么Stage1必须等待Stage0执行完成后才能开始,如果这时Stage0因为数据倾斜问题,导致任务执行时长过长,或者直接挂起,那么Stage1将一直处于等待状态,整个作业也就一直挂起。这个时候,资源被这个作业占据,但是却只有极少数task在执行,造成计算资源的严重浪费,利用率下降

2.引发内存溢出,导致任务失败

数据发生倾斜时,可能导致大量数据集中在少数几个节点上,在计算执行中由于要处理的数据超出了单个节点的能力范围,最终导致内存被撑爆,报OOM异常,直接导致任务失败。

3.作业执行时间超出预期,导致后续依赖数据结果的作业出错

有时候作业与作业之间,并没有构建强依赖关系,而是通过执行时间的前后时间差来调度,当前置作业未在预期时间范围内完成执行,那么当后续作业启动时便无法读取到其所需要的最新数据,从而导致连续出错

数据倾斜的处理方案 1.参数调节 【1】通用优化:提高shuffle并行度

Spark的shuffle并行度默认值是200,建议根据服务器的情况进行调整。一般是集群cpu总和的2-3倍。当发生数据倾斜的时候,适当增大并行度,可以将原本被分配到同一个Task的不同Key分配到不同Task。

缺陷:它没有从根本上改变数据倾斜的本质和问题,只是说尽可能地去缓解和减轻

shuffle reduce task的数据压力,以及数据倾斜的问题。

【2】map端聚合,启动负载均衡

适用范围:group by 造成的数据倾斜

set hive.map.aggr=true; --在map中会做部分聚集操作,效率更高但需要更多的内存set hive.groupby.skewindata=true; --默认false,数据倾斜时负载均衡

数据倾斜时负载均衡,当选项设定为true,它使计算变成了两个mapreduce,先在第一个中在 shuffle 过程 partition 时随机给 key 打标记,使每个key 随机均匀分布到各个 reduce 上计算,但是这样只能完成部分计算,因为相同key没有分配到相同reduce上,所以需要第二次的mapreduce,这次就回归正常 shuffle,但是数据分布不均匀的问题在第一次mapreduce已经有了很大的改善。

【3】Reduce join 改为Map join

适用范围:小表 join 大表

set hive.auto.convert.join = true; -- hive是否自动根据文件量大小,选择将common join转成map join 。set hive.mapjoin.smalltable.filesize =25000000; --大表小表判断的阈值,如果表的大小小于该值25Mb,则会被判定为小表。则会被加载到内存中运行,将commonjoin转化成mapjoin。一般这个值也就最多几百兆的样子。

原理:mapjoin优化就是在Map阶段完成join工作,而不是像通常的common join在Reduce阶段按照join的列值进行分发数据到每个Reduce上进行join工作。这样避免了Shuffle阶段,从而避免了数据倾斜。

注意:这个操作会将所有的小表全量复制到每个map任务节点,然后再将小表缓存在每个map节点的内存里与大表进行join工作。小表的大小的不能太大,一般也就几百兆,否则会出现OOM报错。

【4】开启Skewed Join

hadoop 中默认是使用hive.exec.reducers.bytes.per.reducer = 1000000000

也就是每个节点的reduce 默认是处理1G大小的数据,如果你的join 操作也产生了数据倾斜,那么你可以在hive 中设定

set hive.optimize.skewjoin = true;set hive.skewjoin.key = skew_key_threshold (default = 100000)

建议每次运行比较复杂的sql 之前都可以设一下这个参数、如果你不知道设置多少,可以就按官方默认的1个reduce 只处理1G 的算法,那么 skew_key_threshold = 1G/平均行长、或者默认直接设成250000000 (差不多算平均行长4个字节)

当我们开启Skew Join之后,在运行时,会对数据进行扫描并检测哪个key会出现倾斜,对于会倾斜的key,用map join做处理,不倾斜的key正常处理。

2.SQL优化 【1】count(distinct)优化

慎用distinct  先用group去重,再count子查询

--优化前select count(distinct a) from test ;--优化后select count x.a from (select a from test group by a ) x

【2】聚合类操作,发生数据倾斜

解决方法:阶段拆分-两阶段聚合

在需要聚合的key前加一个随机数的前后缀,这样就能得到非常均匀的key,然后按这个加工之后的key进行第一次聚合之后,再对聚合的结果,按照原始key进行二次聚合,这样基本就不可能出现数据倾斜了

【3】大表join大表发生数据倾斜

大表拆分,倾斜部分单独处理中间表分桶排序后join

举例:

假设有有两张表

table_a表是一张近3个月买家交易明细表,字段如下,数据量较大

buyer_id(买家id)

seller_id(卖家id)

order_num(订单数)

1113839839

1001

5

table_b表是一张所有卖家信息表,数据量也很大,不满足mapjoin的条件。

seller_id(卖家id)

seller_level(卖家评级)

1001

A

SELECt t1.buyer_id ,sum(case when t2.seller_level = 'A' then order_num end) as a_num ,sum(case when t2.seller_level = 'B' then order_num end) as b_num ,sum(case when t2.seller_level = 'C' then order_num end) as c_numFROM table_a t1 --买家交易明细表INNER JOIN table_b t2 --卖家信息表ON t1.seller_id = t2.seller_idGROUP BY t1.buyer_id;

但因为二八法则,某些卖家会拥有成千上万的买家,而大部分卖家的买家数量是较少的,两个表关联会发生数据倾斜。

优化方案1:转为map join 避免shuffle

tableb由于数据量较大,无法直接map join ,所以考虑通过过滤3个月内没有发生交易的卖家,来减少table_b的数据量,使其达到满足map join 的情况。

SELECt t1.buyer_id ,sum(case when t4.seller_level = 'A' then order_num end) as a_num,sum(case when t4.seller_level = 'B' then order_num end) as b_num,sum(case when t4.seller_level = 'C' then order_num end) as c_numFROM table_a t1INNER JOIN (SELECt t2.seller_id,t2.seller_levelFROMtable_b t2INNER JOIN (SELECtseller_idFROM table_aGROUP BY seller_id) t3ON t2.seller_id = t3.seller_id) t4 --过滤掉table_b中没有出现在table_a中的seller_idON t1.seller_id = t4.seller_idGROUP BY t1.buyer_id;

此方案在有些时候能够起作用,但大部分情况并不能解决问题,比如table_b经过过滤后,数量依然很大,还是不满足map join的条件。

优化方案2:拆表一分为二,倾斜部分单独处理

首先创建一个临时表temp_b,存放大卖家(买家超过1万个)的名单,然后tablea分别join temp_b和table_b,结果union all 起来即可。此方案的适用情况最多,且最有效。

--临时表存放90天内买家超过10000的大卖家INSERT OVERWRITE TABLE temp_bSELECt t1.seller_id,t2.seller_levelFROM(SELECt seller_id,count(buyer_id) as buy_numFROM table_aGROUP BY seller_id) t1LEFT JOIN (SELECt seller_id,seller_levelFROM table_b) t2ON t1.seller_id = t2.seller_idAND t1.buy_num > 10000; --获取最终结果SELECt t7.buyer_id ,sum(case when t7.seller_level = 'A' then t7.order_num end) as a_num,sum(case when t7.seller_level = 'B' then t7.order_num end) as b_num,sum(case when t7.seller_level = 'C' then t7.order_num end) as c_numFROM(SELECt t1.buyer_id,t1.seller_id,t1.order_num,t2.seller_levelFROM table_a t1LEFT JOIN temp_b t2ON t1.seller_id = t2.seller_idUNIOn ALL --针对大卖家map join 其他卖家正常joinSELECt t3.buyer_id,t3.seller_id,t3.order_num,t6.seller_levelFROM table_a t3LEFT JOIN (SELECt seller_id,seller_levelFROM table_b t4LEFT JOIN temp_b t5ON t4.seller_id = t5.seller_idWHERe t5.seller_id is null) t6ON t3.seller_id = t6.seller_id) t7GROUP BY t7.buyer_id;

【4】join发生数据倾斜通用方法

解决方法:随机前缀和RDD扩容

sql实现方法:

1、将大表的倾斜key筛选出来,随机打上前后缀,假如为1-10的数字。

2、将较小表cross join(笛卡尔积) 1-10数字共10行,再通过拼接,形成与大表对应的前后缀。(假如较小表数据量为10万,此时扩容至100万)

3、此时将筛选过的大表与扩容的较小表关联,关联成功后,通过字段加工复原。

4、将大表其他无倾斜数据与较小表关联,union all 前3步处理后得到的数据。

原理如下图

【5】空值产生的数据倾斜

解决方法:给空值进行随机赋值

场景:如日志中,常会有信息丢失的问题,比如日志中的 user_id,如果取其中的 user_id 和 用户表中的user_id 关联,会碰到数据倾斜的问题。

其他方法

1、增加reduce 的jvm内存

2、增加reduce 个数

set mapred.reduce.tasks = [num]

3.自定义partitioner

根据现在处理的这份数据,单独写一个适合的partitioner。比如现在是按省份进行汇总数据,如果只是简单的按省份去分(这并没有错),那么数据肯定会倾斜,因为各省的数据天然不一样。我们可以通过历史数据、抽样数据或者一些常识,对数据进行人工分区,让数据按照我们自定义的分区规则比较均匀的分配到不同的task中。

常见的分区方式:

随机分区:每个区域的数据基本均衡,简单易用,偶尔出现倾斜,但是特征同样也会随机打散。轮询分区:绝对不会倾斜,但是需要提前预知分成若干份,进行轮询。hash散列:可以针对某个特征进行hash散列,保证相同特征的数据在一个区,但是极容易出现数据倾斜。范围分区:需要排序,临近的数据会被分在同一个区,可以控制分区数据均匀。

Copyright © 2016-2020 www.365daan.com All Rights Reserved. 365答案网 版权所有 备案号:

部分内容来自互联网,版权归原作者所有,如有冒犯请联系我们,我们将在三个工作时内妥善处理。