一、概述
有的时候，我们可能会遇到大数据计算中一个最棘手的问题——数据倾斜，此时Spark作业的性能会比期望差很多。数据倾斜调优，就是使用各种技术方案解决不同类型的数据倾斜问题，以保证Spark作业的性能。
二、产生原因
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。
三、代码
import org.apache.spark.{SparkConf, SparkContext}import scala.util.Randomobject Demo { def main(args: Array[String]): Unit = { val conf=new SparkConf().setAppName("Demo").setMaster("local[2]") val sc=new SparkContext(conf) //准备数据 val array=new Array[Int](10000) for (i <-0 to 9999){ array(i)=new Random().nextInt(10) } //array.foreach(x=>print(x+",")) //生成一个rdd val rdd=sc.parallelize(array) //数据量很大就先取样 //rdd.sample(false,0.1) //所有key加一操作 val maprdd=rdd.map((_,1)) //没有加随机前缀的结果 maprdd.countByKey.foreach(print) //(0,976)(5,997)(1,966)(6,959)(9,1004)(2,1051)(7,973)(3,1036)(8,1022)(4,1016) //val wc=rdd.map(x=>(x,1)).reduceByKey(_+_) //wc.foreach(print) //(4,1016)(0,976)(6,959)(8,1022)(2,1051)(1,966)(3,1036)(7,973)(9,1004)(5,997) //两阶段聚合(局部聚合+全局聚合)处理数据倾斜 //加随机前缀,文章评论有正确代码 val prifix=new Random().nextInt(10) val prifixrdd=maprdd.map(x=>(prifix+"_"+x._1,x._2)) //加上随机前缀的key进行局部聚合 val tmprdd=prifixrdd.reduceByKey(_+_) //去除随机前缀 val newrdd=tmprdd.map(x=> (x._1.split("_")(1),x._2)) //最终聚合 newrdd.reduceByKey(_+_).foreach(print) //(4,1016)(7,973)(5,997)(9,1004)(8,1022)(6,959)(0,976)(3,1036)(2,1051)(1,966) }}作者：若泽数据—爆发的~小宇宙
