sparkdataframe 分批 spark 拆分文件

★★★
transformation：
1、sortBy ： 对于RDD的是非元组型，rdd1.soreBy(x=>x),元组型按value排序
rdd.soreBy(_._2)（进行shuffle）

2、sortByKey ： 对于RDD内存的是元组类型的使用（进行shuffle） ，sortBy和
sortByKey都是transformation算子，但都会触发job任务，底层new了一个rangePartition对象，底层会调用一个foreach方法，进行排序，所以会触发job

3、reduceByKey(+) ： 先在分区内进行按key合并，在全局合并（全局是把相同key的
不同的分区，拉倒同一个分区（有多个分区））会进行shuffle

4、filter： 过滤， 不会进行shuffle

5、flatMap： 方法，可以先切分，再压平， 不会进行shuffle

6、 rdd1.intersection(rdd2), 求两个集合的交集

7.0、 rdd1.union(rdd2),返回rdd1和rdd2中的所有元素，返回类型是Array，不Shuffle

7、rdd1.join(rdd2), 返回结果RDD[(String, (Int, Int))]，join是内连接，
只有相同的才会join，会有shuffle过程

8、 rdd1.leftOuterJoin(rdd2)，返回结果是RDD[(String, (Int, Option[Int]))]，如果有rdd2中有和rdd1对应的数据时Some(value值)，没有值None，第一个Int是rdd1中的value，rdd1中的数据会显示完，有shuffle

9、rdd1.rightOuterJoin(rdd2)，返回结果是RDD[(String, (Option[Int], Int))]，
String是key类型， Option[Int]表示和rdd2中对应的没有，就和None，
有和rdd2中的数据对应的就是Some(value),rdd2中的数据会显示完，有shuffle

10、rdd.groupByKey()， 按key进行聚合，把不同分区的相同的key拉倒同一台机器上，返回值是 RDD[(String, Iterable[Int])],String 是key的类型，迭代器是相同key的value的，如果想要聚合 ，可以调用 map(x=>(x._1,x._2.sum))方法，相当于reduceBykey.会进行shuffle，
10.1 rdd.groupBy() 通过指定的值进行聚合，返回的值是
RDD[(String, Iterable[(String, Int)])] ，迭代器中的类型是整个KV的类型

11、rdd.reduceByKey(+)，返回值RDD[(String, Int)]，在分区内按key进行聚合
（Combiner），再把不同分区的相同的key的数据拉倒同一机器上进行聚合，会进行shuffle，
reduceByKey会进行Combiner，所以比groupByKey效率高，一般用reduceByKey

12、rdd1.cogroup(rdd2) 会有shuffle，把相同的key聚合在同一机器会出现shuffle，返
回是 RDD[(String, (Iterable[Int], Iterable[Int]))]，有点类似以全外连接，所
有的rdd1和rdd2中的所有数据都能显示，String是key，第一个迭代器是对应rdd1中key的所有
value，第二个迭代器是对应rdd2中对应key的所有value，会出现如下这种结果
(jack,(CompactBuffer(3),CompactBuffer()))
(jerry,(CompactBuffer(),CompactBuffer(2，6)))

13、fm.mapPartitions(it=>it.map(_*2))，传的参数是一个函数，函数的参数是迭代器，
返回是迭代器， 参数是每个分区中的数据是一个迭代器， 整个方法的返回值是 RDD[String]，
跟map类似，但map是把数据一条一条的处理，mapPartitions 是把数据一个分区一个
分区的处理,把数据放到内存。在数据量小时，推荐使用mapPartitions，在数据量大时
可能会出现内存溢出oom

14、rdd.distinct()会发生shuffle，去重，返回类型RDD[Int]与rdd有关。
distinct底层调用的是ReduceByKey

15、rdd.coalesce(2，flag:Boolan)， 设置分区数，有两个参数，第一个是表示设置的分
区个数，第二是默认是false，表示不进行shuffle，返回值是RDD[(String,Int)],调用的
rdd的类型一样。在不进行shuffle时，设置分区只能设置的小，不能设置大。把分区设置小
时会把 其中的某一个分区一下全分给另一个分区，比如一共有3分区，现在设置成2个，
会把其中的一个第3个分区中的数据全部给另2，而不是把第3个分区中的数据分散到分区1、2
上，不会发生shuffle。把分区设大时，一定会发生shuffle，会把其中分区中的部分数据拿
出来给新的分区，一定会出现shuffle。所以分区数默认是只能设小，不能变大，如果设的大
了，还是按原来的分区 。想要变大，可以把参数设置成true，进行shuffle，默认是不
进行shuffle

16、rdd.rePartitions(分区数，Boolean) 方法可以调整分区数，默认会发生shuffle，
底层相当于调用了rdd.coalesce(true)方法，会发生Shuffle，
一般情况下，都需要把分区个数调大，会发生shuffle，把分区中的部分数据分给其他的新的
分区，所以会发生shuffle

17、val mpwi:[String] = rdd2.mapPartitionsWithIndex((index: Int, it: Iterator[(String, Int)]) => {it.map(e => s"Part : $index, ele : $e")
})
获取数据和分区号，index是分区号，it:Iterator 是一个分区的数据，该方法参数是一个
函数,该方法的返回值是与iterator中的map方法一样
还可以使用：，把partFunction当做参数传到mapPartitions方法中

★★★
Action：
1、collect 无shuffle：返回的是Array类型，打印的话需要toBuffer
2、sum 无shuffle:返回值是double类型
3、reduce(+) :可以用于替换sum, 返回值与调用的值有关
4、rdd.countByKey()有shuffle，计算相同的key出现的次数，与value无关，返回值是collection.Map[String, Long]， String是指的是Key,Long指的是相同key出现的次数。底层实现是reduceByKey，
def countByKey(): Map[K, Long] = self.withScope {
self.mapValues(_ => 1L).reduceByKey(_ + _).collect().toMap
}，把value都换成1，在求相同key 的和
5、count ，计数
6、take，可以用于求topN, 获取指定的几条数据
7、foreach
8、saveAsTextFile
9、foreachPartition

★★★★
RDD的五大特性
1.a list of partiotioner有很多个partiotioner(这里有3个partiotioner),可以明确的说，一个分区在一台机器上，一个分区其实就是放在一台机器的内存上，一台机器上可以有多个分区。

2.a function for partiotioner一个函数作用在一个分区上。比如说一个分区有1,2,3 在rdd1.map(_*10),把RDD里面的每一个元素取出来乘以10，每个分片都应用这个map的函数

3.RDD之间有一系列的依赖rdd1.map(_*10).flatMap(…).map(…).reduceByKey(…)构建成为DAG,这个DAG会构造成很多个阶段，这些阶段叫做stage，RDDstage之间会有依赖关系，后面根据前面的依赖关系来构建，如果前面的数据丢了，它会记住前面的依赖，从前面进行重新恢复。每一个算子都会产生新的RDD.textFile 与flatMap会产生两个RDD.

4.分区器hash & Integer.Max % partiotioner 决定数据到哪个分区里面，可选，这个RDD是key-value 的时候才能有

5.最佳位置。
数据在哪台机器上，任务就启在哪个机器上，数据在本地上，不用走网络。不过数据进行最后汇总的时候就要走网络。（hdfs file的block块）

★★★
Spark创建RDD的几种方式
通过集合创建RDD
val conf: SparkConf = new SparkConf().setAppName(this.getClass.getName).setMaster(“local[*]”)
val sc = new SparkContext(conf)

// 方式一：parallelize方法创建RDD
//val rdd: RDD[Int] = sc.parallelize(List(1,2,3,4))

// 方式二：makeRDD方法创建RDD
val rdd: RDD[Int] = sc.makeRDD(List(1,2,3,4))
rdd.collect().foreach(println)

sc.stop()

读取文件创建RDD
val conf: SparkConf = new SparkConf().setAppName(this.getClass.getName).setMaster(“local[*]”)
val sc = new SparkContext(conf)
val rdd: RDD[String] = sc.textFile(“D:\develop\workspace\bigdata2021\spark2021\input”)

sc.stop()

通过其他RDD创建RDD
val conf: SparkConf = new SparkConf().setAppName(this.getClass.getName).setMaster(“local[*]”)
val sc = new SparkContext(conf)
val rdd: RDD[String] = sc.textFile(“D:\develop\workspace\bigdata2021\spark2021\input”)
val flatRDD: RDD[String] = rdd.flatMap(_.split(" "))
sc.stop()

★★★

★★★
1 Spark解决什么问题
回顾：Hadoop主要解决，海量数据的存储和海量数据的分析计算。
Spark主要解决海量数据的分析计算。

2 Spark为什么会有自己的资源调度器
Hadoop的Yarn框架比Spark框架诞生的晚，所以Spark自己也设计了一套资源调度框架。

3 Spark运行模式
1）Local：运行在一台机器上。 测试用。
2）Standalone：是Spark自身的一个调度系统。 对集群性能要求非常高时用。国内很少使用。
3）Yarn：采用Hadoop的资源调度器。 国内大量使用。
4）Mesos：国内很少使用。
4 Spark常用端口号
1）4040 spark-shell任务端口
2）7077 内部通讯端口。 类比Hadoop的8020/9000
3）8080 查看任务执行情况端口。 类比Hadoop的8088
4）18080 历史服务器。类比Hadoop的19888
注意：由于Spark只负责计算，所有并没有Hadoop中存储数据的端口50070

5 简述Spark的架构与作业提交流程（画图讲解，注明各个部分的作用）（重点）

6 Spark任务使用什么进行提交，JavaEE界面还是脚本
Shell脚本。

7 Spark提交作业参数（重点）
参考答案：

1）在提交任务时的几个重要参数
executor-cores —— 每个executor使用的内核数，默认为1，官方建议2-5个，我们企业是4个
num-executors —— 启动executors的数量，默认为2
executor-memory —— executor内存大小，默认1G
driver-cores —— driver使用内核数，默认为1
driver-memory —— driver内存大小，默认512M
2）边给一个提交任务的样式
spark-submit
–master local[5]
–driver-cores 2
–driver-memory 8g
–executor-cores 4
–num-executors 10
–executor-memory 8g
–class PackageName.ClassName XXXX.jar
–name “Spark Job Name”
InputPath
OutputPath

8 RDD五大属性

9 Spark的transformation算子（不少于8个）（重点）
1）单Value
（1）map
（2）mapPartitions
（3）mapPartitionsWithIndex：处理时同时可以获取当前分区索引。
（4）flatMap
（5）glom：将同一个分区的数据直接转换为相同类型的内存数组进行处理，分区不变
（6）groupBy
（7）filter
（8）sample
（9）distinct：将数据集中重复的数据去重
（10）coalesce
（11）repartition
（12）sortBy
（13）pipe
2）双vlaue
（1）intersection
（2）union
（3）subtract
（4）zip
3）Key-Value
（1）partitionBy
（2）reduceByKey
（3）groupByKey
（4）aggregateByKey
（5）foldByKey
（6）combineByKey
（7）sortByKey
（8）mapValues
（9）join
（10）cogroup

10 Spark的action算子（不少于6个）（重点）
（1）reduce：
（2）collect:
（3）count
（4）first：
（5）take：
（6）takeOrdered
（7）aggregate：
（8）fold
（9）countByKey：
（10）save
（11）foreach：

11 map和mapPartitions区别
1）map：每次处理一条数据
2）mapPartitions：每次处理一个分区数据

12 Repartition和Coalesce区别
1）关系：
两者都是用来改变RDD的partition数量的，repartition底层调用的就是coalesce方法：coalesce(numPartitions, shuffle = true)
2）区别：
repartition一定会发生shuffle，coalesce根据传入的参数来判断是否发生shuffle
一般情况下增大rdd的partition数量使用repartition，减少partition数量时使用coalesce

13 reduceByKey与groupByKey的区别
reduceByKey：具有预聚合操作
groupByKey：没有预聚合
在不影响业务逻辑的前提下，优先采用reduceByKey。

14 reduceByKey、foldByKey、aggregateByKey、combineByKey区别
ReduceByKey 没有初始值 分区内和分区间逻辑相同
foldByKey 有初始值 分区内和分区间逻辑可以相同
aggregateByKey 有初始值 分区内和分区间逻辑可以不同
combineByKey 初始可以变化结构 分区内和分区间逻辑不同

15 Kryo序列化
Kryo序列化比Java序列化更快更紧凑，但Spark默认的序列化是Java序列化并不是Spark序列化，因为Spark并不支持所有序列化类型，而且每次使用都必须进行注册。注册只针对于RDD。在DataFrames和DataSet当中自动实现了Kryo序列化。

16 Spark中的血缘（笔试重点）
宽依赖和窄依赖。有Shuffle的是宽依赖。

区别：
由下面的图我们很容易看出他们的区别，窄依赖父RDD的每个分区只被子RDD的一个分区所使用，宽依赖父RDD的每个分区都可能被多个子RDD分区所使用

在此将其分为两种模式，一定有其利弊情况，接在来我们简单聊一下。

首先根据我们上面的理解知道窄依赖是将其聚合到一起，收拢数据，这样我们就可以考虑到我们的一些算子就做此功能比如：map, filter, union, join(父RDD是hash-partitioned ), mapPartitions, mapValues；

而宽依赖则不同，宽依赖将其数据进行打散分开，走shuffle机制与mapreduce相同。他主要将一些数据进行洗牌和重新分组发牌。这里也有一些算子做此功能：groupByKey, join(父RDD不是hash-partitioned ), partitionBy，sort

概念：
Spark中RDD的高效与DAG（有向无环图）有着莫大的关系，在DAG调度中我们需要对计算过程划分stage，而划分依据就是RDD之间的依赖关系。针对不同的转换函数，RDD之间的依赖关系分为宽依赖和窄依赖。那么到底什么是宽依赖和窄依赖的？

1、宽依赖：是指1个父RDD分区对应多个子RDD的分区

2、窄依赖：是指一个或多个父RDD分区对应一个子RDD分区

简单的说就是我们在数学中的映射关系

宽依赖就是1对多，窄依赖就是一对一或者多对一。如图：

17 Spark任务的划分
（1）Application：初始化一个SparkContext即生成一个Application；
（2）Job：一个Action算子就会生成一个Job；
（3）Stage：Stage等于宽依赖的个数加1；
（4）Task：一个Stage阶段中，最后一个RDD的分区个数就是Task的个数。

18 cache缓存级别
DataFrame的cache默认采用 MEMORY_AND_DISK
RDD 的cache默认方式采用MEMORY_ONLY

19 释放缓存和缓存
缓存：(1)dataFrame.cache (2)sparkSession.catalog.cacheTable(“tableName”)
释放缓存：(1)dataFrame.unpersist (2)sparkSession.catalog.uncacheTable(“tableName”)

20 缓存和检查点区别
1）Cache缓存只是将数据保存起来，不切断血缘依赖。Checkpoint检查点切断血缘依赖。
2）Cache缓存的数据通常存储在磁盘、内存等地方，可靠性低。Checkpoint的数据通常存储在HDFS等容错、高可用的文件系统，可靠性高。
3）建议对checkpoint()的RDD使用Cache缓存，这样checkpoint的job只需从Cache缓存中读取数据即可，否则需要再从头计算一次RDD。

21 Spark分区
1）默认采用Hash分区
缺点：可能导致每个分区中数据量的不均匀，极端情况下会导致某些分区拥有RDD的全部数据。
2）Ranger分区：
要求RDD中的KEY类型必须可以排序。
3）自定义分区
根据需求，自定义分区。

22 Spark累加器

23 Spark广播变量

24 SparkSQL中RDD、DataFrame、DataSet三者的转换 （笔试重点）

9 请列举会引起Shuffle过程的Spark算子，并简述功能。
reduceBykey：
groupByKey：
…ByKey:

15 当Spark涉及到数据库的操作时，如何减少Spark运行中的数据库连接数？
使用foreachPartition代替foreach，在foreachPartition内获取数据库的连接。

16 如何使用Spark实现TopN的获取（描述思路或使用伪代码）（重点）
方法1：
（1）按照key对数据进行聚合（groupByKey）
（2）将value转换为数组，利用scala的sortBy或者sortWith进行排序（mapValues）数据量太大，会OOM。
方法2：
（1）取出所有的key
（2）对key进行迭代，每次取出一个key利用spark的排序算子进行排序
方法3：
（1）自定义分区器，按照key进行分区，使不同的key进到不同的分区
（2）对每个分区运用spark的排序算子进行排序

17 京东：调优之前与调优之后性能的详细对比（例如调整map个数，map个数之前多少、之后多少，有什么提升）
这里举个例子。比如我们有几百个文件，会有几百个map出现，读取之后进行join操作，会非常的慢。这个时候我们可以进行coalesce操作，比如240个map，我们合成60个map，也就是窄依赖。这样再shuffle，过程产生的文件数会大大减少。提高join的时间性能。

23 Spark Shuffle默认并行度
参数spark.sql.shuffle.partitions 决定 默认并行度200

27 控制Spark reduce缓存 调优shuffle
spark.reducer.maxSizeInFilght 此参数为reduce task能够拉取多少数据量的一个参数默认48MB，当集群资源足够时，增大此参数可减少reduce拉取数据量的次数，从而达到优化shuffle的效果，一般调大为96MB,，资源够大可继续往上调。

spark.shuffle.file.buffer 此参数为每个shuffle文件输出流的内存缓冲区大小，调大此参数可以减少在创建shuffle文件时进行磁盘搜索和系统调用的次数，默认参数为32k 一般调大为64k。
10 Spark内核源码（重点）

★★★

★★★

1.12 Spark Streaming
1 Spark Streaming第一次运行不丢失数据
kafka参数 auto.offset.reset 参数设置成earliest 从最初始偏移量开始消费数据

2 Spark Streaming精准一次消费
1.手动维护偏移量
2.处理完业务数据后，再进行提交偏移量操作
极端情况下，如在提交偏移量时断网或停电会造成spark程序第二次启动时重复消费问题，所以在涉及到金额或精确性非常高的场景会使用事物保证精准一次消费

3 Spark Streaming控制每秒消费数据的速度
通过spark.streaming.kafka.maxRatePerPartition参数来设置Spark Streaming从kafka分区每秒拉取的条数

4 Spark Streaming背压机制
把spark.streaming.backpressure.enabled 参数设置为ture,开启背压机制后Spark Streaming会根据延迟动态去kafka消费数据,上限由spark.streaming.kafka.maxRatePerPartition参数控制，所以两个参数一般会一起使用

5 Spark Streaming 一个stage耗时
Spark Streaming stage耗时由最慢的task决定,所以数据倾斜时某个task运行慢会导致整个Spark Streaming都运行非常慢。

6 Spark Streaming 优雅关闭
把spark.streaming.stopGracefullyOnShutdown参数设置成ture,Spark会在JVM关闭时正常关闭StreamingContext,而不是立马关闭
Kill 命令：yarn application -kill 后面跟 applicationid

7 Spark Streaming 默认分区个数
Spark Streaming默认分区个数与所对接的kafka topic分区个数一致，Spark Streaming里一般不会使用repartition算子增大分区，因为repartition会进行shuffle增加耗时

8 SparkStreaming有哪几种方式消费Kafka中的数据，它们之间的区别是什么？
一、基于Receiver的方式
这种方式使用Receiver来获取数据。Receiver是使用Kafka的高层次Consumer API来实现的。receiver从Kafka中获取的数据都是存储在Spark Executor的内存中的（如果突然数据暴增，大量batch堆积，很容易出现内存溢出的问题），然后Spark Streaming启动的job会去处理那些数据。
然而，在默认的配置下，这种方式可能会因为底层的失败而丢失数据。如果要启用高可靠机制，让数据零丢失，就必须启用Spark Streaming的预写日志机制（Write Ahead Log，WAL）。该机制会同步地将接收到的Kafka数据写入分布式文件系统（比如HDFS）上的预写日志中。所以，即使底层节点出现了失败，也可以使用预写日志中的数据进行恢复。
二、基于Direct的方式
这种新的不基于Receiver的直接方式，是在Spark 1.3中引入的，从而能够确保更加健壮的机制。替代掉使用Receiver来接收数据后，这种方式会周期性地查询Kafka，来获得每个topic+partition的最新的offset，从而定义每个batch的offset的范围。当处理数据的job启动时，就会使用Kafka的简单consumer api来获取Kafka指定offset范围的数据。
优点如下：
简化并行读取：如果要读取多个partition，不需要创建多个输入DStream然后对它们进行union操作。Spark会创建跟Kafka partition一样多的RDD partition，并且会并行从Kafka中读取数据。所以在Kafka partition和RDD partition之间，有一个一对一的映射关系。
高性能：如果要保证零数据丢失，在基于receiver的方式中，需要开启WAL机制。这种方式其实效率低下，因为数据实际上被复制了两份，Kafka自己本身就有高可靠的机制，会对数据复制一份，而这里又会复制一份到WAL中。而基于direct的方式，不依赖Receiver，不需要开启WAL机制，只要Kafka中作了数据的复制，那么就可以通过Kafka的副本进行恢复。
一次且仅一次的事务机制。
三、对比：
基于receiver的方式，是使用Kafka的高阶API来在ZooKeeper中保存消费过的offset的。这是消费Kafka数据的传统方式。这种方式配合着WAL机制可以保证数据零丢失的高可靠性，但是却无法保证数据被处理一次且仅一次，可能会处理两次。因为Spark和ZooKeeper之间可能是不同步的。
基于direct的方式，使用kafka的简单api，Spark Streaming自己就负责追踪消费的offset，并保存在checkpoint中。Spark自己一定是同步的，因此可以保证数据是消费一次且仅消费一次。
在实际生产环境中大都用Direct方式

9 简述SparkStreaming窗口函数的原理（重点）
窗口函数就是在原来定义的SparkStreaming计算批次大小的基础上再次进行封装，每次计算多个批次的数据，同时还需要传递一个滑动步长的参数，用来设置当次计算任务完成之后下一次从什么地方开始计算。
图中time1就是SparkStreaming计算批次大小，虚线框以及实线大框就是窗口的大小，必须为批次的整数倍。虚线框到大实线框的距离（相隔多少批次），就是滑动步长。

★★★

★★★

1.13 数据倾斜
公司一：总用户量1000万，5台64G内存的服务器。
公司二：总用户量10亿，1000台64G内存的服务器。
1.公司一的数据分析师在做join的时候发生了数据倾斜，会导致有几百万用户的相关数据集中到了一台服务器上，几百万的用户数据，说大也不大，正常字段量的数据的话64G还是能轻松处理掉的。
2.公司二的数据分析师在做join的时候也发生了数据倾斜，可能会有1个亿的用户相关数据集中到了一台机器上了（相信我，这很常见）。这时候一台机器就很难搞定了，最后会很难算出结果。

1 数据倾斜表现
1）hadoop中的数据倾斜表现：
有一个多几个Reduce卡住，卡在99.99%，一直不能结束。
各种container报错OOM
异常的Reducer读写的数据量极大，至少远远超过其它正常的Reducer
伴随着数据倾斜，会出现任务被kill等各种诡异的表现。
2）hive中数据倾斜
一般都发生在Sql中group by和join on上，而且和数据逻辑绑定比较深。
3）Spark中的数据倾斜
Spark中的数据倾斜，包括Spark Streaming和Spark Sql，表现主要有下面几种：
Executor lost，OOM，Shuffle过程出错；
Driver OOM；
单个Executor执行时间特别久，整体任务卡在某个阶段不能结束；
正常运行的任务突然失败；

2 数据倾斜产生原因
我们以Spark和Hive的使用场景为例。
他们在做数据运算的时候会涉及到，count distinct、group by、join on等操作，这些都会触发Shuffle动作。一旦触发Shuffle，所有相同key的值就会被拉到一个或几个Reducer节点上，容易发生单点计算问题，导致数据倾斜。
一般来说，数据倾斜原因有以下几方面：
1）key分布不均匀；

2）建表时考虑不周
我们举一个例子，就说数据默认值的设计吧，假设我们有两张表：
user（用户信息表）：userid，register_ip
ip（IP表）：ip，register_user_cnt
这可能是两个不同的人开发的数据表。如果我们的数据规范不太完善的话，会出现一种情况：
user表中的register_ip字段，如果获取不到这个信息，我们默认为null；
但是在ip表中，我们在统计这个值的时候，为了方便，我们把获取不到ip的用户，统一认为他们的ip为0。
两边其实都没有错的，但是一旦我们做关联了，这个任务会在做关联的阶段，也就是sql的on的阶段卡死。
3）业务数据激增
比如订单场景，我们在某一天在北京和上海两个城市多了强力的推广，结果可能是这两个城市的订单量增长了10000%，其余城市的数据量不变。
然后我们要统计不同城市的订单情况，这样，一做group操作，可能直接就数据倾斜了。

3 解决数据倾斜思路
很多数据倾斜的问题，都可以用和平台无关的方式解决，比如更好的数据预处理，异常值的过滤等。因此，解决数据倾斜的重点在于对数据设计和业务的理解，这两个搞清楚了，数据倾斜就解决了大部分了。
1）业务逻辑
我们从业务逻辑的层面上来优化数据倾斜，比如上面的两个城市做推广活动导致那两个城市数据量激增的例子，我们可以单独对这两个城市来做count，单独做时可用两次MR，第一次打散计算，第二次再最终聚合计算。完成后和其它城市做整合。
2）程序层面
比如说在Hive中，经常遇到count(distinct)操作，这样会导致最终只有一个Reduce任务。
我们可以先group by，再在外面包一层count，就可以了。比如计算按用户名去重后的总用户量：
（1）优化前 只有一个reduce，先去重再count负担比较大：
select name,count(distinct name)from user;
（2）优化后
// 设置该任务的每个job的reducer个数为3个。Hive默认-1，自动推断。
set mapred.reduce.tasks=3;
// 启动两个job，一个负责子查询(可以有多个reduce)，另一个负责count(1)：
select count(1) from (select name from user group by name) tmp;
3）调参方面
Hadoop和Spark都自带了很多的参数和机制来调节数据倾斜，合理利用它们就能解决大部分问题。
4）从业务和数据上解决数据倾斜
很多数据倾斜都是在数据的使用上造成的。我们举几个场景，并分别给出它们的解决方案。
有损的方法：找到异常数据，比如ip为0的数据，过滤掉
无损的方法：对分布不均匀的数据，单独计算
先对key做一层hash，先将数据随机打散让它的并行度变大，再汇集
数据预处理

4 定位导致数据倾斜代码
Spark数据倾斜只会发生在shuffle过程中。
这里给大家罗列一些常用的并且可能会触发shuffle操作的算子：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。
出现数据倾斜时，可能就是你的代码中使用了这些算子中的某一个所导致的。

4.1 某个task执行特别慢的情况
首先要看的，就是数据倾斜发生在第几个stage中：
如果是用yarn-client模式提交，那么在提交的机器本地是直接可以看到log，可以在log中找到当前运行到了第几个stage；
如果是用yarn-cluster模式提交，则可以通过Spark Web UI来查看当前运行到了第几个stage。
此外，无论是使用yarn-client模式还是yarn-cluster模式，我们都可以在Spark Web UI上深入看一下当前这个stage各个task分配的数据量，从而进一步确定是不是task分配的数据不均匀导致了数据倾斜。
看task运行时间和数据量
task运行时间
比如下图中，倒数第三列显示了每个task的运行时间。明显可以看到，有的task运行特别快，只需要几秒钟就可以运行完；而有的task运行特别慢，需要几分钟才能运行完，此时单从运行时间上看就已经能够确定发生数据倾斜了。
task数据量
此外，倒数第一列显示了每个task处理的数据量，明显可以看到，运行时间特别短的task只需要处理几百KB的数据即可，而运行时间特别长的task需要处理几千KB的数据，处理的数据量差了10倍。此时更加能够确定是发生了数据倾斜。
推断倾斜代码
知道数据倾斜发生在哪一个stage之后，接着我们就需要根据stage划分原理，推算出来发生倾斜的那个stage对应代码中的哪一部分，这部分代码中肯定会有一个shuffle类算子。
精准推算stage与代码的对应关系，需要对Spark的源码有深入的理解，这里我们可以介绍一个相对简单实用的推算方法：只要看到Spark代码中出现了一个shuffle类算子或者是Spark SQL的SQL语句中出现了会导致shuffle的语句（比如group by语句），那么就可以判定，以那个地方为界限划分出了前后两个stage。
这里我们就以如下单词计数来举例。
val conf = new SparkConf()val sc = new SparkContext(conf)val lines = sc.textFile(“hdfs://…”)val words = lines.flatMap(.split(" "))val pairs = words.map((, 1))val wordCounts = pairs.reduceByKey(_ + )wordCounts.collect().foreach(println())
在整个代码中只有一个reduceByKey是会发生shuffle的算子，也就是说这个算子为界限划分出了前后两个stage：
stage0，主要是执行从textFile到map操作，以及shuffle write操作（对pairs RDD中的数据进行分区操作，每个task处理的数据中，相同的key会写入同一个磁盘文件内）。
stage1，主要是执行从reduceByKey到collect操作，以及stage1的各个task一开始运行，就会首先执行shuffle read操作（会从stage0的各个task所在节点拉取属于自己处理的那些key，然后对同一个key进行全局性的聚合或join等操作，在这里就是对key的value值进行累加）
stage1在执行完reduceByKey算子之后，就计算出了最终的wordCounts RDD，然后会执行collect算子，将所有数据拉取到Driver上，供我们遍历和打印输出。
123456789
通过对单词计数程序的分析，希望能够让大家了解最基本的stage划分的原理，以及stage划分后shuffle操作是如何在两个stage的边界处执行的。然后我们就知道如何快速定位出发生数据倾斜的stage对应代码的哪一个部分了。
比如我们在Spark Web UI或者本地log中发现，stage1的某几个task执行得特别慢，判定stage1出现了数据倾斜，那么就可以回到代码中，定位出stage1主要包括了reduceByKey这个shuffle类算子，此时基本就可以确定是是该算子导致了数据倾斜问题。
此时，如果某个单词出现了100万次，其他单词才出现10次，那么stage1的某个task就要处理100万数据，整个stage的速度就会被这个task拖慢。

4.2 某个task莫名其妙内存溢出的情况
这种情况下去定位出问题的代码就比较容易了。我们建议直接看yarn-client模式下本地log的异常栈，或者是通过YARN查看yarn-cluster模式下的log中的异常栈。一般来说，通过异常栈信息就可以定位到你的代码中哪一行发生了内存溢出。然后在那行代码附近找找，一般也会有shuffle类算子，此时很可能就是这个算子导致了数据倾斜。
但是大家要注意的是，不能单纯靠偶然的内存溢出就判定发生了数据倾斜。因为自己编写的代码的bug，以及偶然出现的数据异常，也可能会导致内存溢出。因此还是要按照上面所讲的方法，通过Spark Web UI查看报错的那个stage的各个task的运行时间以及分配的数据量，才能确定是否是由于数据倾斜才导致了这次内存溢出。

5 查看导致数据倾斜的key分布情况
先对pairs采样10%的样本数据，然后使用countByKey算子统计出每个key出现的次数，最后在客户端遍历和打印样本数据中各个key的出现次数。
val sampledPairs = pairs.sample(false, 0.1)
val sampledWordCounts = sampledPairs.countByKey()
sampledWordCounts.foreach(println(_))

6 Spark 数据倾斜的解决方案

6.1 使用Hive ETL预处理数据

6.1.1 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。

6.1.2 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。

6.1.3 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。

6.1.4 方案优缺点
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。
缺点：治标不治本，Hive ETL中还是会发生数据倾斜。

6.1.5 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。

6.1.6 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。

6.2 过滤少数导致倾斜的key

6.2.1 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。

6.2.2 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。

6.2.3 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。

6.2.4 方案优缺点
优点：实现简单，而且效果也很好，可以完全规避掉数据倾斜。
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。

6.2.5 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。

6.3 提高shuffle操作的并行度

6.3.1 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。

6.3.2 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，即spark.sql.shuffle.partitions，该参数代表了shuffle read task的并行度，默认是200，对于很多场景来说都有点过小。

6.3.3 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。具体原理如下图所示。

6.3.4 方案优缺点
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。
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。

6.3.5 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。

6.4 两阶段聚合（局部聚合+全局聚合）

6.4.1 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。

6.4.2 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)。
示例代码如下：

// 第一步，给RDD中的每个key都打上一个随机前缀。
 JavaPairRDD<String, Long> randomPrefixRdd = rdd.mapToPair(
 new PairFunction<Tuple2<Long,Long>, String, Long>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Tuple2<String, Long> call(Tuple2<Long, Long> tuple)
 throws Exception {undefined
 Random random = new Random();
 int prefix = random.nextInt(10);
 return new Tuple2<String, Long>(prefix + “_” + tuple._1, tuple._2);
 }
 });// 第二步，对打上随机前缀的key进行局部聚合。
 JavaPairRDD<String, Long> localAggrRdd = randomPrefixRdd.reduceByKey(
 new Function2<Long, Long, Long>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Long call(Long v1, Long v2) throws Exception {undefined
 return v1 + v2;
 }
 });// 第三步，去除RDD中每个key的随机前缀。
 JavaPairRDD<Long, Long> removedRandomPrefixRdd = localAggrRdd.mapToPair(
 new PairFunction<Tuple2<String,Long>, Long, Long>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Tuple2<Long, Long> call(Tuple2<String, Long> tuple)
 throws Exception {undefined
 long originalKey = Long.valueOf(tuple.1.split(“”)[1]);
 return new Tuple2<Long, Long>(originalKey, tuple._2);
 }
 });// 第四步，对去除了随机前缀的RDD进行全局聚合。
 JavaPairRDD<Long, Long> globalAggrRdd = removedRandomPrefixRdd.reduceByKey(
 new Function2<Long, Long, Long>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Long call(Long v1, Long v2) throws Exception {undefined
 return v1 + v2;
 }
 });

6.4.3 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。

6.4.4 方案优缺点
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。
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。

6.5 将reduce join转为map join
6.5.1 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。

6.5.2 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，广播给其他Executor节点；
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。
示例如下：

// 首先将数据量比较小的RDD的数据，collect到Driver中来。
 List<Tuple2<Long, Row>> rdd1Data = rdd1.collect()
 // 然后使用Spark的广播功能，将小RDD的数据转换成广播变量，这样每个Executor就只有一份RDD的数据。
 // 可以尽可能节省内存空间，并且减少网络传输性能开销。
 final Broadcast<List<Tuple2<Long, Row>>> rdd1DataBroadcast = sc.broadcast(rdd1Data);// 对另外一个RDD执行map类操作，而不再是join类操作。
 JavaPairRDD<String, Tuple2<String, Row>> joinedRdd = rdd2.mapToPair(
 new PairFunction<Tuple2<Long,String>, String, Tuple2<String, Row>>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Tuple2<String, Tuple2<String, Row>> call(Tuple2<Long, String> tuple)
 throws Exception {undefined
 // 在算子函数中，通过广播变量，获取到本地Executor中的rdd1数据。
 List<Tuple2<Long, Row>> rdd1Data = rdd1DataBroadcast.value();
 // 可以将rdd1的数据转换为一个Map，便于后面进行join操作。
 Map<Long, Row> rdd1DataMap = new HashMap<Long, Row>();
 for(Tuple2<Long, Row> data : rdd1Data) {undefined
 rdd1DataMap.put(data._1, data._2);
 }
 // 获取当前RDD数据的key以及value。
 String key = tuple._1;
 String value = tuple._2;
 // 从rdd1数据Map中，根据key获取到可以join到的数据。
 Row rdd1Value = rdd1DataMap.get(key);
 return new Tuple2<String, String>(key, new Tuple2<String, Row>(value, rdd1Value));
 }
 });// 这里得提示一下。
 // 上面的做法，仅仅适用于rdd1中的key没有重复，全部是唯一的场景。
 // 如果rdd1中有多个相同的key，那么就得用flatMap类的操作，在进行join的时候不能用map，而是得遍历rdd1所有数据进行join。
 // rdd2中每条数据都可能会返回多条join后的数据。

6.5.3 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。

6.5.4 方案优缺点
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。
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。

6.6 采样倾斜key并分拆join操作
6.6.1 方案适用场景
两个RDD/Hive表进行join的时候，如果数据量都比较大，无法采用“解决方案五”，那么此时可以看一下两个RDD/Hive表中的key分布情况。
如果出现数据倾斜，是因为其中某一个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是比较合适的。

6.6.2 方案实现思路
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，计算出来数据量最大的是哪几个key。
然后将这几个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。
接着将需要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。
而另外两个普通的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。
示例如下：

// 首先从包含了少数几个导致数据倾斜key的rdd1中，采样10%的样本数据。
 JavaPairRDD<Long, String> sampledRDD = rdd1.sample(false, 0.1);// 对样本数据RDD统计出每个key的出现次数，并按出现次数降序排序。
 // 对降序排序后的数据，取出top 1或者top 100的数据，也就是key最多的前n个数据。
 // 具体取出多少个数据量最多的key，由大家自己决定，我们这里就取1个作为示范。// 每行数据变为<key,1>
 JavaPairRDD<Long, Long> mappedSampledRDD = sampledRDD.mapToPair(
 new PairFunction<Tuple2<Long,String>, Long, Long>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Tuple2<Long, Long> call(Tuple2<Long, String> tuple)
 throws Exception {undefined
 return new Tuple2<Long, Long>(tuple._1, 1L);
 }
 });// 按key累加行数
 JavaPairRDD<Long, Long> countedSampledRDD = mappedSampledRDD.reduceByKey(
 new Function2<Long, Long, Long>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Long call(Long v1, Long v2) throws Exception {undefined
 return v1 + v2;
 }
 });// 反转key和value,变为<value,key>
 JavaPairRDD<Long, Long> reversedSampledRDD = countedSampledRDD.mapToPair(
 new PairFunction<Tuple2<Long,Long>, Long, Long>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Tuple2<Long, Long> call(Tuple2<Long, Long> tuple)
 throws Exception {undefined
 return new Tuple2<Long, Long>(tuple._2, tuple._1);
 }
 });// 以行数排序key，取最多行数的key
 final Long skewedUserid = reversedSampledRDD.sortByKey(false).take(1).get(0)._2;// 从rdd1中分拆出导致数据倾斜的key，形成独立的RDD。
 JavaPairRDD<Long, String> skewedRDD = rdd1.filter(
 new Function<Tuple2<Long,String>, Boolean>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Boolean call(Tuple2<Long, String> tuple) throws Exception {undefined
 return tuple._1.equals(skewedUserid);
 }
 });// 从rdd1中分拆出不导致数据倾斜的普通key，形成独立的RDD。
 JavaPairRDD<Long, String> commonRDD = rdd1.filter(
 new Function<Tuple2<Long,String>, Boolean>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Boolean call(Tuple2<Long, String> tuple) throws Exception {undefined
 return !tuple._1.equals(skewedUserid);
 }
 });// rdd2，就是那个所有key的分布相对较为均匀的rdd。
 // 这里将rdd2中，前面获取到的key对应的数据，过滤出来，分拆成单独的rdd，并对rdd中的数据使用flatMap算子都扩容100倍。
 // 对扩容的每条数据，都打上0～100的前缀。
 JavaPairRDD<String, Row> skewedRdd2 = rdd2.filter(
 new Function<Tuple2<Long,Row>, Boolean>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Boolean call(Tuple2<Long, Row> tuple) throws Exception {undefined
 return tuple.1.equals(skewedUserid);
 }
 }).flatMapToPair(new PairFlatMapFunction<Tuple2<Long,Row>, String, Row>() {
 private static final long serialVersionUID = 1L;
 @Override
 public Iterable<Tuple2<String, Row>> call(
 Tuple2<Long, Row> tuple) throws Exception {
 Random random = new Random();
 List<Tuple2<String, Row>> list = new ArrayList<Tuple2<String, Row>>();
 for(int i = 0; i < 100; i++) {
 list.add(new Tuple2<String, Row>(i + “” + tuple._1, tuple._2));
 }
 return list;
 }});
 1
 1
 // 将rdd1中分拆出来的导致倾斜的key的独立rdd，每条数据都打上100以内的随机前缀。
 // 然后将这个rdd1中分拆出来的独立rdd，与上面rdd2中分拆出来的独立rdd，进行join。
 JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD1 = skewedRDD.mapToPair(
 new PairFunction<Tuple2<Long,String>, String, String>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Tuple2<String, String> call(Tuple2<Long, String> tuple)
 throws Exception {undefined
 Random random = new Random();
 int prefix = random.nextInt(100);
 return new Tuple2<String, String>(prefix + “_” + tuple._1, tuple._2);
 }
 })
 .join(skewedUserid2infoRDD)
 .mapToPair(new PairFunction<Tuple2<String,Tuple2<String,Row>>, Long, Tuple2<String, Row>>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Tuple2<Long, Tuple2<String, Row>> call(
 Tuple2<String, Tuple2<String, Row>> tuple)
 throws Exception {undefined
 long key = Long.valueOf(tuple.1.split(“”)[1]);
 return new Tuple2<Long, Tuple2<String, Row>>(key, tuple._2);
 }
 });// 将rdd1中分拆出来的包含普通key的独立rdd，直接与rdd2进行join。
 JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD2 = commonRDD.join(rdd2);// 将倾斜key join后的结果与普通key join后的结果，uinon起来。
 // 就是最终的join结果。
 JavaPairRDD<Long, Tuple2<String, Row>> joinedRDD = joinedRDD1.union(joinedRDD2);

6.6.3 方案实现原理
对于join导致的数据倾斜，如果只是某几个key导致了倾斜，可以将少数几个key分拆成独立RDD，并附加随机前缀打散成n份去进行join，此时这几个key对应的数据就不会集中在少数几个task上，而是分散到多个task进行join了。具体原理见下图。

6.6.4 方案优缺点
优点：对于join导致的数据倾斜，如果只是某几个key导致了倾斜，采用该方式可以用最有效的方式打散key进行join。而且只需要针对少数倾斜key对应的数据进行扩容n倍，不需要对全量数据进行扩容。避免了占用过多内存。
缺点：如果导致倾斜的key特别多的话，比如成千上万个key都导致数据倾斜，那么这种方式也不适合。

6.7 使用随机前缀和扩容RDD进行join

6.7.1 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。

6.7.2 方案实现思路
该方案的实现思路基本和“解决方案六”类似，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。
示例代码如下：

// 首先将其中一个key分布相对较为均匀的RDD膨胀100倍。
 JavaPairRDD<String, Row> expandedRDD = rdd1.flatMapToPair(
 new PairFlatMapFunction<Tuple2<Long,Row>, String, Row>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Iterable<Tuple2<String, Row>> call(Tuple2<Long, Row> tuple)
 throws Exception {undefined
 List<Tuple2<String, Row>> list = new ArrayList<Tuple2<String, Row>>();
 for(int i = 0; i < 100; i++) {undefined
 list.add(new Tuple2<String, Row>(0 + “_” + tuple._1, tuple._2));
 }
 return list;
 }
 });// 其次，将另一个有数据倾斜key的RDD，每条数据都打上100以内的随机前缀。
 JavaPairRDD<String, String> mappedRDD = rdd2.mapToPair(
 new PairFunction<Tuple2<Long,String>, String, String>() {undefined
 private static final long serialVersionUID = 1L;
 @Override
 public Tuple2<String, String> call(Tuple2<Long, String> tuple)
 throws Exception {undefined
 Random random = new Random();
 int prefix = random.nextInt(100);
 return new Tuple2<String, String>(prefix + “_” + tuple._1, tuple._2);
 }
 });// 将两个处理后的RDD进行join即可。
 JavaPairRDD<String, Tuple2<String, Row>> joinedRDD = mappedRDD.join(expandedRDD);

6.7.3 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。
该方案与“解决方案六”的不同之处就在于，上一种方案是尽量只对少数倾斜key对应的数据进行特殊处理，由于处理过程需要扩容RDD，因此上一种方案扩容RDD后对内存的占用并不大；
而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。

6.7.4 方案优缺点
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。
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。

6.7.5 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。

6.8 多种方案组合使用
在实践中发现，很多情况下，如果只是处理较为简单的数据倾斜场景，那么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，那么可能需要将多种方案组合起来使用。
比如说，我们针对出现了多个数据倾斜环节的Spark作业，可以先运用解决方案一HiveETL预处理和过滤少数导致倾斜的k，预处理一部分数据，并过滤一部分数据来缓解；
其次可以对某些shuffle操作提升并行度，优化其性能；
最后还可以针对不同的聚合或join操作，选择一种方案来优化其性能。
大家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，来解决自己的数据倾斜问题。

7 Spark数据倾斜处理小结
★★★