【大数据】基于Spark WebUI定位数据倾斜与Spark调优
- 文章脉络
- 数据倾斜现象
- 数据倾斜出现原因
- 数据倾斜问题排查与定位
- 初步认知
- 问题定位
- 查看key的数据分布情况
- 解决数据倾斜（Spark调优）
- 基本思路
- （首选尝试）解决方案一：提高Shuffle操作的并行度
- （其次尝试） 解决方案二：使用 Hive ETL 预处理数据
- （数据异常时）解决方案二：过滤少数导致倾斜的key
- （聚合Shuffle倾斜时）解决方案四：两阶段聚合（局部聚合+全局聚合）
- （大表Join小表）解决方案五：将reduce join转为map join 【广播】
- （大量倾斜Key）解决方案六：使用随机前缀和扩容RDD进行join【加盐】
作为一名算法工程师，掌握Spark框架的调优与原理是必备技能之一，而Spark任务的调优往往与**“数据倾斜”**这个概念相关。
在阅读本文之前，大家最好具备以下知识：
Spark基本原理：了解Spark的运行机制、核心概念（如RDD、DataFrame、Dataset）、基本操作（如transformation和action）。
Spark集群架构：熟悉Spark集群的组件（如Driver、Executor、Master和Worker）及其相互关系。
Spark WebUI：了解Spark WebUI的基本功能和界面布局，能够通过WebUI监控和调试Spark作业。
【注意】Spark与Spark WebUI相关知识可以参考以下两篇文章：
《MapReduce的“内存增强版”——Spark》、《Spark–一文了解WebUI》
文章脉络
图1 文章脉络
数据倾斜现象
首先要明确一点：一个Spark任务，会拆分为多个Job，一个Job会拆分为多个Stage，一个Stage又会由若干Task来执行。我们所说的数据倾斜现象，都是在Task层面观测与优化的。
在执行Spark任务时，任务流通常由多个SQL查询或代码模块组成，这些模块会被划分为独立的作业（Jobs）。例如，数据的读取和写入操作通常分别属于不同的Jobs。由于数据在分布式文件系统中是以分区（Partition）的形式存储的，Shuffle操作涉及到跨分区的“宽依赖”关系。因此，任务的执行计划通常以Shuffle操作为界，将任务划分为不同的执行阶段（Stages）。在每个执行阶段内，会并发执行多个任务（Tasks），这些任务是并行处理数据的基本工作单位。
对 Spark/Hadoop 这样的大数据系统来讲，数据量大并不可怕，可怕的是数据倾斜。何谓数据倾斜？数据倾斜指的是，并行处理的数据集中，某一部分（如 Spark 或 Kafka的一个 Partition）的数据显著多于其它部分，从而使得该部分的处理速度成为整个数据集处理的瓶颈。
【注意】可以理解为少数Task被分配了更多的数据以待处理，导致其他Task早早执行完计算资源空闲了下来。
若不解决数据倾斜问题，任何性能优化措施都将是徒劳，甚至可被视为无效的尝试。数据倾斜的解决能力最能体现大数据工程师在Spark领域的技术深度和调优技巧。
数据倾斜可能带来以下两个直接且严重的后果：
1. 内存溢出（OOM）：由于某个任务处理的数据量过大，可能导致执行任务的节点内存不足，进而引发任务崩溃。
2. 极端性能下降：数据处理速度将变得极其缓慢，远低于预期，达到不可接受的低效率水平，严重影响整体作业的完成时间。
数据倾斜出现原因
我们首先来介绍Spark中RDD的几种依赖模式：
图2 Spark中RDD的几种依赖模式
参照图2，将上三种称之为窄依赖，下两种为宽依赖。
我们可以观察到，窄依赖的每个父RDD的分区都至多被一个子RDD的分区使操作，不涉及Shuffle操作。如map、filter、union和co-partitioned join在RDD之间建立了简单的一对一（One-to-One）依赖关系，因此不会引起数据倾斜。
然而，宽依赖的多个子RDD的分区依赖一个父RDD的分区，涉及Shuffle操作。如图2所示的其他操作，例如groupBy、reduceByKey或join with not co-partitioned，会创建更为复杂的依赖关系，其中单个父RDD的分区可能被多个子RDD的分区所依赖。这种情况下，如果某个Task对应的父RDD分区中的数据量显著大于其他分区，就会触发数据倾斜现象。
图3 某个Job划分Stage的图例
如图3，一个Job被划分为3个Stage。
参考图3中的Stage 0与Stage 1，它们内部没有Shuffle操作，Task可以并行地执行，因此并不会发生数据倾斜。数据倾斜只会在Shuffle时才可能发生。
也正是由于Shuffle操作会跨分区处理数据，它没法简单的像窄依赖一样简单地并行执行，因此在划分Stage时才会根据Shuffle操作为界限。
【注意】其实宽依赖窄依赖都是较为简单的概念，业界有很多对RDD依赖处理的论文，实现都很复杂，大家对RDD依赖有个初步认识、能看懂Spark WebUI里面的DAG即可。除此之外，到底什么样的写法会产生Shuffle，还是以Spark WebUI生成的DAG图为准。
截至目前，我们介绍了数据倾斜只可能发生在Shuffle时，那么Shuffle时导致数据倾斜的原理是什么呢？
其实很简单：在进行Shuffle的时候，必须将各个节点上相同的 key 拉取到某个节点上的一个 task 来进行处理，比如按照key进行聚合或 join 等操作。此时如果某个 key对应的数据量特别大的话，就会发生数据倾斜。比如大部分 key 对应 10 条数据，但是个别key却对应了 100 万条数据，那么大部分 task 可能就只会分配到 10 条数据，然后 1 秒钟就运行完了；但是个别 task 可能分配到了 100 万数据，要运行一两个小时。因此，整个 Spark 作业的运行进度是由运行时间最长的那个 task 决定的。
因此出现数据倾斜的时候，Spark 作业看起来会运行得非常缓慢，甚至可能因为某个 task处理的数据量过大导致内存溢出。
数据倾斜问题排查与定位
初步认知
数据倾斜现象主要出现在涉及shuffle过程的计算任务中。以下是一些常见且可能触发shuffle操作的Spark算子列表：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup以及repartition等。当Spark应用程序遭遇数据倾斜问题时，极有可能是由于这些算子中的某一个在代码逻辑中被不当使用所致。
问题定位
简而言之，多数 task 都执行得非常快，但个别 task 执行非常慢，导致整个任务不能结束。甚至用 SparkStreaming 做实时算法时候，可能一直会有 Executor 出现 OOM 的错误，但是其余的 Executor 内存使用率却很低。
如何定位，可以 Spark 的 web UI 查看，如果看到类似这种，那就基本上可以确定是数据倾斜了。
图4 疑似数据倾斜Stage执行样例
也可以详细的看到如下的计算4分位数。
图5 疑似数据倾斜Stage4分位数样例
通过UI甚至可以直接定位到是哪个过程发生的数据倾斜。为了进一步定位数据倾斜是有哪些 key 导致的，可以对key进行统计，如果数据量大，可以进行抽样的形式。如果发现多数数据分布都较为平均，而个别数据比其他数据大上若干个数量级，则说明发生了数据倾斜。计数top就是造成数据倾斜的元凶。
【注意】发生数据倾斜后，我们先定位到Stage，再去看其对应的DAG图与执行时间图，能够很快定位到问题所在（不管你写的是Java、Python还是Spark SQL等）。
查看key的数据分布情况
在识别了数据倾斜发生的具体位置后，通常需要对执行了Shuffle操作并引发数据倾斜的RDD或Hive表进行深入分析，以考察其中键（key）的分布状况。目的是为后续选择适当的解决方案提供决策依据。鉴于不同的键分布特性以及与各种shuffle算子的组合可能，解决数据倾斜的策略需因地制宜。根据执行的操作类型，有多种方法可用于调查键的分布：
- 如果数据倾斜是由Spark SQL中的GROUP BY或JOIN语句引起，则应分析相关SQL语句中涉及的表的键分布情况。
- 对于由Spark RDD上执行的shuffle算子导致的数据倾斜，可以在Spark作业中嵌入代码以检查键的分布，例如使用RDD.countByKey()方法。随后，可以将统计得到的键出现频次通过collect或take操作提取至客户端，以便打印并观测Key的分布状况。
解决数据倾斜（Spark调优）
基本思路
既然数据倾斜是因为相同Key的值被分配到少数几个节点上造成的单点问题，那么尽可能的的让Key平均分配，问题就解决了。
【注意】以下解决方案参考了知乎文章《万字详解 Spark 数据倾斜及解决方案》
（首选尝试）解决方案一：提高Shuffle操作的并行度
方案适用场景：如果我们必须要对数据倾斜迎难而上，那么建议优先使用这种方案，因为这是处理数据倾斜最简单的一种方案。
方案实现思路：在对RDD执行shuffle算子时，给shuffle算子传入一个参数，比如reduceByKey(1000)，该参数就设置了这个shuffle算子执行时shuffle read task的数量。对于Spark SQL中的shuffle类语句，比如group by、join等，需要设置一个参数，即spark.sql.shuffle.partitions，该参数代表了shuffle read task的并行度，该值默认是200，对于很多场景来说都有点过小。
方案实现原理：增加shuffle read task的数量，可以让原本分配给一个task的多个key分配给多个task，从而让每个task处理比原来更少的数据。举例来说，如果原本有5个key，每个key对应10条数据，这5个key都是分配给一个task的，那么这个task就要处理50条数据。而增加了shuffle read task以后，每个task就分配到一个key，即每个task就处理10条数据，那么自然每个task的执行时间都会变短了。
方案优点：实现起来比较简单，可以有效缓解和减轻数据倾斜的影响。
方案缺点：只是缓解了数据倾斜而已，没有彻底根除问题，根据实践经验来看，其效果有限。
方案实践经验：该方案通常无法彻底解决数据倾斜，因为如果出现一些极端情况，比如某个key对应的数据量有100万，那么无论你的task数量增加到多少，这个对应着100万数据的key肯定还是会分配到一个task中去处理，因此注定还是会发生数据倾斜的。所以这种方案只能说是在发现数据倾斜时尝试使用的第一种手段，尝试去用最简单的方法缓解数据倾斜而已，或者是和其他方案结合起来使用。
（其次尝试） 解决方案二：使用 Hive ETL 预处理数据
方案适用场景：导致数据倾斜的是Hive表。如果该Hive表中的数据本身很不均匀（比如某个key对应了100万数据，其他key才对应了10条数据），而且业务场景需要频繁使用Spark对Hive表执行某个分析操作，那么比较适合使用这种技术方案。
方案实现思路：此时可以评估一下，是否可以通过Hive来进行数据预处理（即通过Hive ETL预先对数据按照key进行聚合，或者是预先和其他表进行join），然后在Spark作业中针对的数据源就不是原来的Hive表了，而是预处理后的Hive表。此时由于数据已经预先进行过聚合或join操作了，那么在Spark作业中也就不需要使用原先的shuffle类算子执行这类操作了。
方案实现原理：这种方案从根源上解决了数据倾斜，因为彻底避免了在Spark中执行shuffle类算子，那么肯定就不会有数据倾斜的问题了。但是这里也要提醒一下大家，这种方式属于治标不治本。因为毕竟数据本身就存在分布不均匀的问题，所以Hive ETL中进行group by或者join等shuffle操作时，还是会出现数据倾斜，导致Hive ETL的速度很慢。我们只是把数据倾斜的发生提前到了Hive ETL中，避免Spark程序发生数据倾斜而已。
方案优点：实现起来简单便捷，效果还非常好，完全规避掉了数据倾斜，Spark作业的性能会大幅度提升。
方案缺点：治标不治本，Hive ETL中还是会发生数据倾斜。
方案实践经验：在一些Java系统与Spark结合使用的项目中，会出现Java代码频繁调用Spark作业的场景，而且对Spark作业的执行性能要求很高，就比较适合使用这种方案。将数据倾斜提前到上游的Hive ETL，每天仅执行一次，只有那一次是比较慢的，而之后每次Java调用Spark作业时，执行速度都会很快，能够提供更好的用户体验。
项目实践经验：在美团·点评的交互式用户行为分析系统中使用了这种方案，该系统主要是允许用户通过Java Web系统提交数据分析统计任务，后端通过Java提交Spark作业进行数据分析统计。要求Spark作业速度必须要快，尽量在10分钟以内，否则速度太慢，用户体验会很差。所以我们将有些Spark作业的shuffle操作提前到了Hive ETL中，从而让Spark直接使用预处理的Hive中间表，尽可能地减少Spark的shuffle操作，大幅度提升了性能，将部分作业的性能提升了6倍以上。
（数据异常时）解决方案二：过滤少数导致倾斜的key
方案适用场景：如果发现导致倾斜的key就少数几个，而且对计算本身的影响并不大的话，那么很适合使用这种方案。比如99%的key就对应10条数据，但是只有一个key对应了100万数据，从而导致了数据倾斜。
方案实现思路：如果我们判断那少数几个数据量特别多的key，对作业的执行和计算结果不是特别重要的话，那么干脆就直接过滤掉那少数几个key。比如，在Spark SQL中可以使用where子句过滤掉这些key或者在Spark Core中对RDD执行filter算子过滤掉这些key。如果需要每次作业执行时，动态判定哪些key的数据量最多然后再进行过滤，那么可以使用sample算子对RDD进行采样，然后计算出每个key的数量，取数据量最多的key过滤掉即可。
方案实现原理：将导致数据倾斜的key给过滤掉之后，这些key就不会参与计算了，自然不可能产生数据倾斜。
方案优点：实现简单，而且效果也很好，可以完全规避掉数据倾斜。
方案缺点：适用场景不多，大多数情况下，导致倾斜的key还是很多的，并不是只有少数几个。
方案实践经验：在项目中我们也采用过这种方案解决数据倾斜。有一次发现某一天Spark作业在运行的时候突然OOM了，追查之后发现，是Hive表中的某一个key在那天数据异常，导致数据量暴增。因此就采取每次执行前先进行采样，计算出样本中数据量最大的几个key之后，直接在程序中将那些key给过滤掉。
（聚合Shuffle倾斜时）解决方案四：两阶段聚合（局部聚合+全局聚合）
方案适用场景：对RDD执行reduceByKey等聚合类shuffle算子或者在Spark SQL中使用group by语句进行分组聚合时，比较适用这种方案。
方案实现思路：这个方案的核心实现思路就是进行两阶段聚合。第一次是局部聚合，先给每个key都打上一个随机数，比如10以内的随机数，此时原先一样的key就变成不一样的了，比如(hello, 1) (hello, 1) (hello, 1) (hello, 1)，就会变成(1_hello, 1) (1_hello, 1) (2_hello, 1) (2_hello, 1)。接着对打上随机数后的数据，执行reduceByKey等聚合操作，进行局部聚合，那么局部聚合结果，就会变成了(1_hello, 2) (2_hello, 2)。然后将各个key的前缀给去掉，就会变成(hello,2)(hello,2)，再次进行全局聚合操作，就可以得到最终结果了，比如(hello, 4)。
方案实现原理：将原本相同的key通过附加随机前缀的方式，变成多个不同的key，就可以让原本被一个task处理的数据分散到多个task上去做局部聚合，进而解决单个task处理数据量过多的问题。接着去除掉随机前缀，再次进行全局聚合，就可以得到最终的结果。具体原理见下图。
方案优点：对于聚合类的shuffle操作导致的数据倾斜，效果是非常不错的。通常都可以解决掉数据倾斜，或者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。
方案缺点：仅仅适用于聚合类的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。
（大表Join小表）解决方案五：将reduce join转为map join 【广播】
方案适用场景：在对RDD使用join类操作，或者是在Spark SQL中使用join语句时，而且join操作中的一个RDD或表的数据量比较小（比如几百M或者一两G），比较适用此方案。
方案实现思路：不使用join算子进行连接操作，而使用Broadcast变量与map类算子实现join操作，进而完全规避掉shuffle类的操作，彻底避免数据倾斜的发生和出现。将较小RDD中的数据直接通过collect算子拉取到Driver端的内存中来，然后对其创建一个Broadcast变量；接着对另外一个RDD执行map类算子，在算子函数内，从Broadcast变量中获取较小RDD的全量数据，与当前RDD的每一条数据按照连接key进行比对，如果连接key相同的话，那么就将两个RDD的数据用你需要的方式连接起来需要设置spark.sql.autoBroadcastJoinThreshold，将 Broadcast 的阈值设置得足够大。
方案实现原理：普通的join是会走shuffle过程的，而一旦shuffle，就相当于会将相同key的数据拉取到一个shuffle read task中再进行join，此时就是reduce join。但是如果一个RDD是比较小的，则可以采用广播小RDD全量数据+map算子来实现与join同样的效果，也就是map join，此时就不会发生shuffle操作，也就不会发生数据倾斜。具体原理如下图所示。
方案优点：对join操作导致的数据倾斜，效果非常好，因为根本就不会发生shuffle，也就根本不会发生数据倾斜。
方案缺点：适用场景较少，因为这个方案只适用于一个大表和一个小表的情况。毕竟我们需要将小表进行广播，此时会比较消耗内存资源，driver和每个Executor内存中都会驻留一份小RDD的全量数据。如果我们广播出去的RDD数据比较大，比如10G以上，那么就可能发生内存溢出了。因此并不适合两个都是大表的情况。
（大量倾斜Key）解决方案六：使用随机前缀和扩容RDD进行join【加盐】
方案适用场景：如果在进行join操作时，RDD中有大量的key导致数据倾斜，那么进行分拆key也没什么意义，此时就只能使用最后一种方案来解决问题了。
方案实现思路：首先查看RDD/Hive表中的数据分布情况，找到那个造成数据倾斜的RDD/Hive表，比如有多个key都对应了超过1万条数据。然后将该RDD的每条数据都打上一个n以内的随机前缀。同时对另外一个正常的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。最后将两个处理后的RDD进行join即可。
方案实现原理：将原先一样的key通过附加随机前缀变成不一样的key，然后就可以将这些处理后的“不同key”分散到多个task中去处理，而不是让一个task处理大量的相同key。这一种方案是针对有大量倾斜key的情况，没法将部分key拆分出来进行单独处理，因此只能对整个RDD进行数据扩容，对内存资源要求很高。
方案优点：对join类型的数据倾斜基本都可以处理，而且效果也相对比较显著，性能提升效果非常不错。
方案缺点：该方案更多的是缓解数据倾斜，而不是彻底避免数据倾斜。而且需要对整个RDD进行扩容，对内存资源要求很高。
方案实践经验：曾经开发一个数据需求的时候，发现一个join导致了数据倾斜。优化之前，作业的执行时间大约是60分钟左右；使用该方案优化之后，执行时间缩短到10分钟左右，性能提升了6倍。
