Spark面试经典系列之数据倾斜
Spark面试经典系列之数据倾斜：数据倾斜之痛
1、Spark性能真正的杀手
2、数据倾斜之痛
数据倾斜两大直接致命性的后果：
1、OOM，一般OOM都是由于数据倾斜所致
2、速度变慢
数据倾斜基本形态特征：个别Task处理大量数据
数据倾斜的定位：
1、Web UI,可以清晰看见哪些Task运行的数据量大小
2、Log，Log的一个好处是可以清晰的告诉是哪一行出现问题OOM，同时可以清晰的看到在具体哪个Stage出现了数据倾斜（数据倾斜一般会在Shuffle过程中产生的），从而定位具体Shuffle的代码。也有可能发现绝大多数Task非常快，但是个别Task非常慢。
3、代码走读，重点看join、groupByKey、reduceByKey等关键代码
4、对数据特征分布进行分析；
解决原理和方法总论
1、Spark数据倾斜解决的原理总论
2、Spark数据倾斜解决方法总论
使数据膨胀，tachyon，复用RDD
Map端Reduce及问题思考
1、Spark数据倾斜解决之Map端Reduce
2、Map端Reduce的问题思考
给小的一段broadcast，然后在大的一端使用mapPartition。
如果数据量太大，有可能引起OOM
采样分而治之解决方案
1、采样算法解决数据倾斜的思想
2、采样算法在Spark数据倾斜中的具体操作
某个或某几个Key的Value非常大，从而导致数据倾斜
RDD1和RDD2进行join操作，其中我们采用采样的方式发现RDD1中有严重的数据倾斜的Key
第一步:采用Spark RDD中提供的采样接口，我们可以很方便的对全体（例如100亿条数据）进行采样，然后基于采样的数据，我们可以计算出哪个（哪些）Key的Value个数最多；
第二步：把全体数据分成两部分，即把原来RDD1变成RDD11和RDD12，其中RDD11代表导致数据倾斜的Key，RDD12中包含的是不会产生数据倾斜的Key；
第三步：把RDD11和RDD2进行join操作，且把RDD12和RDD2进行join操作，然后把分别join操作后的结果进行Union操作，从而得出和RDD1与RDD2直接进行join操作相同的结果
Spark自己的机制保证的不会产生数据倾斜。
上述流程中：
第一种情况：如果RDD11中的数据量不是很多，可以采用map端的join操作，避免了shuffle和数据倾斜。
第二种情况：如果RDD11中的数据量特别多，此时之所以能够缓解数据倾斜是因为采用了Spark Core天然的并行机制对RDD11中的同样一个Key的数据进行了拆分。从而达到让原本倾斜的Key分散到不同的Task的目的，就缓解了数据倾斜。
思考：在上述过程中如果把倾斜的Key加上随机数，会怎么样？
增加随机数，并行Task数量可能增加，具体是如何操作的？
RDD11中倾斜的Key加上1000以内的随机数，然后和RDD2进行join操作？不行！此时一定需要把RDD11中的Key在RDD2中的相同的Key进行1000以内的随机数，然后再进行join操作，这样做的好处：让倾斜的Key更加不倾斜，在实际生产环境下，会极大的解决在两个进行join的RDD数量都很大且其中一个RDD有一个或者两三个明显倾斜的Key的情况下的数据倾斜问题。
对于两个RDD数据量都很大且倾斜的Key特别多如何解决？
1、数据量都很大且倾斜的Key多的情况
2、此种情况下具体操作步骤
两个RDD数据都特别多且倾斜的Key成千上万个，该如何解决数据倾斜的问题？
初步的想法：在倾斜的Key上面加上随机数
该想法的原因：shuffle的时候把key的数据分到不同的task里去
但是现在的倾斜的key非常多，成千上万，所以如果说采样找出倾斜的key的话并不是一个非常好的想法
扩容？
首先，什么是扩容？就是把该RDD中的每一条数据变成5条、10条、20条等，例如RDD中原来是10亿条数据，扩容后可能变成1000亿条数据；
其次，如何做到扩容？flatMap中对要进行扩容的每一条数据都通过0~N-1个不同的前缀变成N条数据（例如变成）
问题：N的值可以随便取吗？需要考虑当前程序能够使用的Core的数量
答案：N的数值一般不能取的太大，通常小于50，否则会对磁盘、内存、网络都会形成极大负担，例如会造成OOM
N这个数值取成10和1000除了OOM等不同以外，是否还有其他影响呢？其实N的数值的大小还会对数据倾斜的解决程度构成直接的影响！N越大，越不容易倾斜，但是也会占用更多的内存、磁盘、网络以及（不必要的）消耗更多的CPU时间
模拟代码:
RDD1 join RDD2
rdd22 = RDD2.flatMap{
for(0 to 9) {
0_item
}
}
rdd11 = RDD1.map{
Random(10)
random_item
}
result = rdd11.join(rdd22)
result.map{
item_1.split 去掉前缀
}
并行度的深度使用
1、并行度的初级使用
2、并行度的高级使用
用并行度解决数据倾斜的基本应用：例如reduceByKey
改变并行度之所以能够改善数据倾斜的原因在于，如果某个Task有100个Key且数据量特别大，就极有可能导致OOM或者任务运行特别缓慢，此时如果把并行度变大，则可以分解该Task的数据量，例如把原本该Task的100个Key分解给10个Task，这个就可以减少每个Task的数据量，从而有可能解决OOM和任务慢的问题。
对于reduceByKey而言，你可以传入并行度的参数，也可以自定义Partitioner
增加Executor：改变计算资源，从仅仅数据倾斜的角度来看并不能够直接去解决数据倾斜的问题，但是也有好处，好处是可以同时并发运行更多的Task，结果是可能加快了运行速度。
用并行度解决数据倾斜的高级使用：例如reduceByKey
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，在这里的本质还是通过改变并行度去解决数据倾斜的问题。
解决方案的“银弹”是什么？
1、数据倾斜解决方案总结
2、方案之外的方案
3、数据倾斜解决方案的“银弹”?
逃离Spark技术本身之外如何解决数据倾斜的问题？
之所以会有这样的想法，是因为从结果上来看，数据倾斜的产生来自于数据和数据的处理技术，前面几节课和大家分享都是数据的处理技术层面如何解决数据倾斜，因此，我们现在需要回到数据的层面去解决数据倾斜的问题。
数据本身就是Key-Value的存在方式，所谓的数据倾斜就是说某（几）个Key的Values特别多，所以如果要解决数据倾斜，实质上是解决单一的Key的Values的个数特别多的情况。新的数据倾斜解决方案由此诞生了。
1、把一个大的Key-Values数据分解成为Key-subKey-Values的方式
2、预先和其他的表进行join，将数据倾斜提前到上游的Hive ETL
3、可以把大的Key-Values中的Values组拼成为一个字符串，从而形成只有一个元素的Key-Value。
4、加一个中间适配层，当数据进来的时候进行Key的统计和动态排名，基于该排名动态调整Key分布
假如10万个Key都发生了数据倾斜，如何解决呢？此时一般就是加内存和Core
|
