一、数据倾斜处理
### --- 做好数据预处理：
~~~ 过滤key中的空值
~~~ 消除数据源带来的数据倾斜（文件采用可切分的压缩方式）
~~~ 数据倾斜产生的主要原因：Shuffle + key分布不均
### --- 处理数据倾斜的基本思路：
~~~ 消除shuffle
~~~ 减少shuffle过程中传输的数据
~~~ 选择新的可用于聚合或join的Key（结合业务）
~~~ 重新定义分区数
~~~ 加盐强行打散Key
~~~ key.hashCode % reduce个数 = 分区号
一、避免shuffle
### --- 避免shuffle
~~~ Map端的join是典型的解决方案
~~~ 可以完全消除Shuffle，进而解决数据倾斜
~~~ 有很强的适用场景(大表和小表关联)，典型的大表与小表的join，其他场景不合适
二、减少 Shuffle 过程中传输的数据
### --- 减少 Shuffle 过程中传输的数据
~~~ 使用高性能算子，避免使用groupByKey，用reduceByKey或aggregateByKey替代
~~~ 没有从根本上解决数据分配不均的问题，收效有限，使用场景有限
三、选择新的可用于聚合或join的Key
### --- 选择新的可用于聚合或join的Key
~~~ 从业务出发，使用新的key去做聚合或join。如当前key是【省 城市 日期】，
~~~ 在业务允许的情况下选择新的key【省 城市 区 日期】，有可能 解决或改善 数据倾斜问题
~~~ 存在的问题：这样的key不好找；或者找到了新的key也不能解决问题
四、改变Reduce的并行度
### --- 改变Reduce的并行度
~~~ key.hashCode % reduce个数 = 分区号
~~~ 变更 reduce 的并行度。理论上分区数从 N 变为 N-1 有可能解决或改善数据倾斜
~~~ 一般情况下这个方法不管用，数据倾斜可能是由很多key造成的，
~~~ 但是建议试试因为这个方法非常简单，成本极低
~~~ 可能只是解决了这一次的数据倾斜问题，非长远之计
~~~ 缺点：适用性不广；优点：简单
### --- 源码提取说明
// 2000W条数据对Key做了处理，使其在后面的shuffle中产生数据倾斜
val rdd = sc.makeRDD(1 to 30000000)
val rdd1 = rdd.map(x => (if (x>3000000) (x%3000000)*6 else x, 1))
// 执行过程中可以感觉到有一个作业执行的慢，从Web界面中可以很清楚的看见数据倾斜
// 备注：shuffle write是均衡的，shuffle read不均衡
rdd1.groupByKey().mapPartitionsWithIndex{(index, iter)=>
val elementCount = iter.toArray.length
Iterator(index + ":" + elementCount)
}.collect
// 调整（缩小）了并行度，增加了shuffle，但执行的时间更快了。数据倾斜猛于虎，在这里数据倾斜对系统的影响超过了shuffle
rdd1.repartition(5).groupByKey().mapPartitionsWithIndex{(index, iter)=>
val elementCount = iter.toArray.length
Iterator(index + ":" + elementCount)
}.collect
// repartition在重分区的过程中会产生shuffle，而coalesce不会，这样可以减少一次shuffle，进而提高效率
rdd1.coalesce(5).groupByKey().mapPartitionsWithIndex{(index, iter)=>
val elementCount = iter.toArray.length
Iterator(index + ":" + elementCount)
}.collect
// 定义分区器，减少了一次shuffle，执行速度更快
rdd1.groupByKey(new org.apache.spark.HashPartitioner(5)).mapPartitionsWithIndex{(index,
iter)=>
val elementCount = iter.toArray.length
Iterator(index + ":" + elementCount)
}.collect
五、加盐强行打散Key
### --- 加盐强行打散Key
~~~ shuffle + key不能分散
### --- 两阶段聚合
~~~ 加盐打散key。给每个key都加一个随机数，如10以内的随机数。此时key就被打散了
~~~ 局部聚合。对打上随机数的数据，执行一次聚合操作，得到结果
~~~ 全局聚合。将各个key的前缀去掉，再进行一次聚合操作，得到最终结果
### --- 两阶段聚合的优缺点：
~~~ 对于聚合类的shuffle操作导致的数据倾斜，效果不错。通常都可以解决掉数据倾斜，
~~~ 至少是大幅度缓解数据倾斜，将Spark作业的性能提升数倍以上
~~~ 仅适用于聚合类的shuffle操作，适用范围相对较窄。
~~~ 如果是join类的shuffle操作，还得用其他的解决方案
六、采样倾斜key并拆分join操作
### --- 采样倾斜key并拆分join操作
~~~ 业务场景：两个RDD/两张表进行 join 的时候，数据量都比较大。
~~~ 使用场景：计算两个RDD/两张表中的key分布情况。如果出现数据倾斜，
~~~ 是其中一个RDD/Hive表中的少数几个key的
~~~ 数据量过大，而另一个RDD/Hive表中的所有key都分布比较均匀，那么采用这个解决方案比较合适。
### --- 处理步骤：
~~~ 对包含少数几个数据量过大的key的那个RDD，通过sample算子采样出一份样本来，
~~~ 然后统计一下每个key的数量，计算出数据量最大的是哪几个key；
~~~ 将这几个key对应的数据从原来的RDD中拆分出来，形成一个单独的RDD，
~~~ 并给每个key都打上n以内的随机数作为前缀，而不会导致倾斜的大部分key形成另外一个RDD；
~~~ 将需要join的另一个RDD，也过滤出来那几个倾斜key对应的数据并形成一个单独的RDD，
~~~ 将每条数据膨胀成n条数据，这n条数据都按顺序附加一个0~n的前缀，
~~~ 不会导致倾斜的大部分key也形成另外一个RDD；
~~~ 再将附加了随机前缀的独立RDD与另一个膨胀n倍的独立RDD进行join，
~~~ 此时就可以将原先相同的key打散成n份，分散到多个task中去进行join了；
~~~ 另外两个普通的RDD就照常join即可；
~~~ 最后将两次join的结果使用union算子合并起来即可，就是最终的join结果。
### --- 使用随机前缀和扩容再进行join
~~~ 业务场景：如果在进行join操作时，RDD中有大量的key导致数据倾斜，
~~~ 进行分拆key没什么意义，此时就只能使用最后一种方案来解决问题了。
### --- 处理步骤：
~~~ 选一个RDD，将每条数据都打上一个n以内的随机前缀(打散)
~~~ 对另外一个RDD进行扩容，将每条数据都扩容成n条数据，
~~~ 扩容出来的每条数据都依次打上一个0~n的前缀
~~~ 将两个处理后的RDD进行join即可
~~~ # 优缺点：
~~~ 如果两个RDD都很大，那么将RDD进行N倍的扩容显然行不通
~~~ 使用扩容的方式通常能缓解数据倾斜，不能彻底解决数据倾斜问题
### --- 小结：
~~~ 数据倾斜问题的解决没有银弹，通常是找到数据倾斜发生的原因，然后见招拆招；
~~~ 在实践中很多情况下，如果只是处理较为简单的数据倾斜场景，
~~~ 使用上述方案中的某一种基本就可以解决。
~~~ 但是如果要处理一个较为复杂的数据倾斜场景，可能需要将多种方案组合起来使用。
~~~ 需要对这些方案的思路和原理都透彻理解之后，在实践中根据各种不同的情况，
~~~ 灵活运用多种方案，来解决自己遇到
~~~ 的数据倾斜问题。
Walter Savage Landor:strove with none,for none was worth my strife.Nature I loved and, next to Nature, Art:I warm'd both hands before the fire of life.It sinks, and I am ready to depart
——W.S.Landor
