一、shuffle調優
大多數Spark作業的性能主要就是消耗在了shuffle環節，因為該環節包含了大量的磁盤IO、序列化、網絡資料傳輸等操作。是以，如果要讓作業的性能更上一層樓，就有必要對shuffle過程進行調優。但是也必須提醒大家的是，影響一個Spark作業性能的因素，主要還是代碼開發、資源參數以及資料傾斜，shuffle調優隻能在整個Spark的性能調優中占到一小部分而已。是以大家務必把握住調優的基本原則，千萬不要舍本逐末。下面我們就給大家詳細講解shuffle的原理，以及相關參數的說明，同時給出各個參數的調優建議。
在Spark的源碼中，負責shuffle過程的執行、計算和處理的元件主要就是ShuffleManager，也即shuffle管理器。而随着Spark的版本的發展，ShuffleManager也在不斷疊代，變得越來越先進。
在Spark 1.2以前，預設的shuffle計算引擎是HashShuffleManager。該ShuffleManager而HashShuffleManager有着一個非常嚴重的弊端，就是會産生大量的中間磁盤檔案，進而由大量的磁盤IO操作影響了性能。
是以在Spark 1.2以後的版本中，預設的ShuffleManager改成了SortShuffleManager。SortShuffleManager相較于HashShuffleManager來說，有了一定的改進。主要就在于，每個Task在進行shuffle操作時，雖然也會産生較多的臨時磁盤檔案，但是最後會将所有的臨時檔案合并（merge）成一個磁盤檔案，是以每個Task就隻有一個磁盤檔案。在下一個stage的shuffle read task拉取自己的資料時，隻要根據索引讀取每個磁盤檔案中的部分資料即可。
spark會産生shuffle的算子：
去重
def distinct()
def distinct(numPartitions: Int)
聚合
def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD[(K, V)]
def reduceByKey(partitioner: Partitioner, func: (V, V) => V): RDD[(K, V)]
def groupBy[K](f: T => K, p: Partitioner):RDD[(K, Iterable[V])]
def groupByKey(partitioner: Partitioner):RDD[(K, Iterable[V])]
def aggregateByKey[U: ClassTag](zeroValue: U, partitioner: Partitioner): RDD[(K, U)]
def aggregateByKey[U: ClassTag](zeroValue: U, numPartitions: Int): RDD[(K, U)]
def combineByKey[C](createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C): RDD[(K, C)]
def combineByKey[C](createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C, numPartitions: Int): RDD[(K, C)]
def combineByKey[C](createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C, partitioner: Partitioner, mapSideCombine: Boolean = true, serializer: Serializer = null): RDD[(K, C)]
排序
def sortByKey(ascending: Boolean = true, numPartitions: Int = self.partitions.length): RDD[(K, V)]
def sortBy[K](f: (T) => K, ascending: Boolean = true, numPartitions: Int = this.partitions.length)(implicit ord: Ordering[K], ctag: ClassTag[K]): RDD[T]
重分區
def coalesce(numPartitions: Int, shuffle: Boolean = false, partitionCoalescer: Option[PartitionCoalescer] = Option.empty)
def repartition(numPartitions: Int)(implicit ord: Ordering[T] = null)
集合或者表操作
def intersection(other: RDD[T]): RDD[T]
def intersection(other: RDD[T], partitioner: Partitioner)(implicit ord: Ordering[T] = null): RDD[T]
def intersection(other: RDD[T], numPartitions: Int): RDD[T]
def subtract(other: RDD[T], numPartitions: Int): RDD[T]
def subtract(other: RDD[T], p: Partitioner)(implicit ord: Ordering[T] = null): RDD[T]
def subtractByKey[W: ClassTag](other: RDD[(K, W)]): RDD[(K, V)]
def subtractByKey[W: ClassTag](other: RDD[(K, W)], numPartitions: Int): RDD[(K, V)]
def subtractByKey[W: ClassTag](other: RDD[(K, W)], p: Partitioner): RDD[(K, V)]
def join[W](other: RDD[(K, W)], partitioner: Partitioner): RDD[(K, (V, W))]
def join[W](other: RDD[(K, W)]): RDD[(K, (V, W))]
def join[W](other: RDD[(K, W)], numPartitions: Int): RDD[(K, (V, W))]
def leftOuterJoin[W](other: RDD[(K, W)]): RDD[(K, (V, Option[W]))]
1、未經優化的HashShuffleManager：
這裡我們先明确一個假設前提：每個Executor隻有1個CPU core，也就是說，無論這個Executor上配置設定多少個task線程，同一時間都隻能執行一個task線程。
我們先從shuffle write開始說起。shuffle write階段，主要就是在一個stage結束計算之後，為了下一個stage可以執行shuffle類的算子（比如reduceByKey），而将每個task處理的資料按key進行“分類”。所謂“分類”，就是對相同的key執行hash算法，進而将相同key都寫入同一個磁盤檔案中，而每一個磁盤檔案都隻屬于下遊stage的一個task。在将資料寫入磁盤之前，會先将資料寫入記憶體緩沖中，當記憶體緩沖填滿之後，才會溢寫到磁盤檔案中去。
那麼每個執行shuffle write的task，要為下一個stage建立多少個磁盤檔案呢？很簡單，下一個stage的task有多少個，目前stage的每個task就要建立多少份磁盤檔案。比如下一個stage總共有100個task，那麼目前stage的每個task都要建立100份磁盤檔案。如果目前stage有50個task，總共有10個Executor，每個Executor執行5個Task，那麼每個Executor上總共就要建立500個磁盤檔案，所有Executor上會建立5000個磁盤檔案。由此可見，未經優化的shuffle write操作所産生的磁盤檔案的數量是極其驚人的。
接着我們來說說shuffle read。shuffle read，通常就是一個stage剛開始時要做的事情。此時該stage的每一個task就需要将上一個stage的計算結果中的所有相同key，從各個節點上通過網絡都拉取到自己所在的節點上，然後進行key的聚合或連接配接等操作。由于shuffle write的過程中，task給下遊stage的每個task都建立了一個磁盤檔案，是以shuffle read的過程中，每個task隻要從上遊stage的所有task所在節點上，拉取屬于自己的那一個磁盤檔案即可。
shuffle read的拉取過程是一邊拉取一邊進行聚合的。每個shuffle read task都會有一個自己的buffer緩沖，每次都隻能拉取與buffer緩沖相同大小的資料，然後通過記憶體中的一個Map進行聚合等操作。聚合完一批資料後，再拉取下一批資料，并放到buffer緩沖中進行聚合操作。以此類推，直到最後将所有資料到拉取完，并得到最終的結果。
2、優化後的HashShuffleManager：
這裡說的優化，是指我們可以設定一個參數，spark.shuffle.consolidateFiles。該參數預設值為false，将其設定為true即可開啟優化機制。通常來說，如果我們使用HashShuffleManager，那麼都建議開啟這個選項。
開啟consolidate機制之後，在shuffle write過程中，task就不是為下遊stage的每個task建立一個磁盤檔案了。此時會出現shuffleFileGroup的概念，每個shuffleFileGroup會對應一批磁盤檔案，磁盤檔案的數量與下遊stage的task數量是相同的。一個Executor上有多少個CPU core，就可以并行執行多少個task。而第一批并行執行的每個task都會建立一個shuffleFileGroup，并将資料寫入對應的磁盤檔案内。
當Executor的CPU core執行完一批task，接着執行下一批task時，下一批task就會複用之前已有的shuffleFileGroup，包括其中的磁盤檔案。也就是說，此時task會将資料寫入已有的磁盤檔案中，而不會寫入新的磁盤檔案中。是以，consolidate機制允許不同的task複用同一批磁盤檔案，這樣就可以有效将多個task的磁盤檔案進行一定程度上的合并，進而大幅度減少磁盤檔案的數量，進而提升shuffle write的性能。
假設第二個stage有100個task，第一個stage有50個task，總共還是有10個Executor，每個Executor執行5個task。那麼原本使用未經優化的HashShuffleManager時，每個Executor會産生500個磁盤檔案，所有Executor會産生5000個磁盤檔案的。但是此時經過優化之後，每個Executor建立的磁盤檔案的數量的計算公式為：CPU core的數量 * 下一個stage的task數量。也就是說，每個Executor此時隻會建立100個磁盤檔案，所有Executor隻會建立1000個磁盤檔案。
SortShuffleManager的運作機制主要分成兩種，一種是普通運作機制，另一種是bypass運作機制。當shuffle read task的數量小于等于spark.shuffle.sort.bypassMergeThreshold參數的值時（預設為200），就會啟用bypass機制。
1、普通運作機制
在該模式下，資料會先寫入一個記憶體資料結構中，此時根據不同的shuffle算子，可能選用不同的資料結構。如果是reduceByKey這種聚合類的shuffle算子，那麼會選用Map資料結構，一邊通過Map進行聚合，一邊寫入記憶體；如果是join這種普通的shuffle算子，那麼會選用Array資料結構，直接寫入記憶體。接着，每寫一條資料進入記憶體資料結構之後，就會判斷一下，是否達到了某個臨界門檻值。如果達到臨界門檻值的話，那麼就會嘗試将記憶體資料結構中的資料溢寫到磁盤，然後清空記憶體資料結構。
在溢寫到磁盤檔案之前，會先根據key對記憶體資料結構中已有的資料進行排序。排序過後，會分批将資料寫入磁盤檔案。預設的batch數量是10000條，也就是說，排序好的資料，會以每批1萬條資料的形式分批寫入磁盤檔案。寫入磁盤檔案是通過Java的BufferedOutputStream實作的。BufferedOutputStream是Java的緩沖輸出流，首先會将資料緩沖在記憶體中，當記憶體緩沖滿溢之後再一次寫入磁盤檔案中，這樣可以減少磁盤IO次數，提升性能。
一個task将所有資料寫入記憶體資料結構的過程中，會發生多次磁盤溢寫操作，也就會産生多個臨時檔案。最後會将之前所有的臨時磁盤檔案都進行合并，這就是merge過程，此時會将之前所有臨時磁盤檔案中的資料讀取出來，然後依次寫入最終的磁盤檔案之中。此外，由于一個task就隻對應一個磁盤檔案，也就意味着該task為下遊stage的task準備的資料都在這一個檔案中，是以還會單獨寫一份索引檔案，其中辨別了下遊各個task的資料在檔案中的start offset與end offset。
SortShuffleManager由于有一個磁盤檔案merge的過程，是以大大減少了檔案數量。比如第一個stage有50個task，總共有10個Executor，每個Executor執行5個task，而第二個stage有100個task。由于每個task最終隻有一個磁盤檔案，是以此時每個Executor上隻有5個磁盤檔案，所有Executor隻有50個磁盤檔案。
2、bypass運作機制
bypass運作機制的觸發條件如下：
shuffle map task數量小于spark.shuffle.sort.bypassMergeThreshold參數的值。
不是聚合類的shuffle算子（比如reduceByKey）。
此時task會為每個下遊task都建立一個臨時磁盤檔案，并将資料按key進行hash然後根據key的hash值，将key寫入對應的磁盤檔案之中。當然，寫入磁盤檔案時也是先寫入記憶體緩沖，緩沖寫滿之後再溢寫到磁盤檔案的。最後，同樣會将所有臨時磁盤檔案都合并成一個磁盤檔案，并建立一個單獨的索引檔案。
該過程的磁盤寫機制其實跟未經優化的HashShuffleManager是一模一樣的，因為都要建立數量驚人的磁盤檔案，隻是在最後會做一個磁盤檔案的合并而已。是以少量的最終磁盤檔案，也讓該機制相對未經優化的HashShuffleManager來說，shuffle read的性能會更好。
而該機制與普通SortShuffleManager運作機制的不同在于：第一，磁盤寫機制不同；第二，不會進行排序。也就是說，啟用該機制的最大好處在于，shuffle write過程中，不需要進行資料的排序操作，也就節省掉了這部分的性能開銷。
以下是Shffule過程中的一些主要參數，這裡詳細講解了各個參數的功能、預設值以及基于實踐經驗給出的調優建議。
預設值：32k
參數說明：該參數用于設定shuffle write task的BufferedOutputStream的buffer緩沖大小。将資料寫到磁盤檔案之前，會先寫入buffer緩沖中，待緩沖寫滿之後，才會溢寫到磁盤。
調優建議：如果作業可用的記憶體資源較為充足的話，可以适當增加這個參數的大小（比如64k），進而減少shuffle write過程中溢寫磁盤檔案的次數，也就可以減少磁盤IO次數，進而提升性能。在實踐中發現，合理調節該參數，性能會有1%~5%的提升。
預設值：48m
參數說明：該參數用于設定shuffle read task的buffer緩沖大小，而這個buffer緩沖決定了每次能夠拉取多少資料。
調優建議：如果作業可用的記憶體資源較為充足的話，可以适當增加這個參數的大小（比如96m），進而減少拉取資料的次數，也就可以減少網絡傳輸的次數，進而提升性能。在實踐中發現，合理調節該參數，性能會有1%~5%的提升。
預設值：3
參數說明：shuffle read task從shuffle write task所在節點拉取屬于自己的資料時，如果因為網絡異常導緻拉取失敗，是會自動進行重試的。該參數就代表了可以重試的最大次數。如果在指定次數之内拉取還是沒有成功，就可能會導緻作業執行失敗。
調優建議：對于那些包含了特别耗時的shuffle操作的作業，建議增加重試最大次數（比如60次），以避免由于JVM的full gc或者網絡不穩定等因素導緻的資料拉取失敗。在實踐中發現，對于針對超大資料量（數十億~上百億）的shuffle過程，調節該參數可以大幅度提升穩定性。
預設值：5s
參數說明：具體解釋同上，該參數代表了每次重試拉取資料的等待間隔，預設是5s。
調優建議：建議加大間隔時長（比如60s），以增加shuffle操作的穩定性。
預設值：0.2
參數說明：該參數代表了Executor記憶體中，配置設定給shuffle read task進行聚合操作的記憶體比例，預設是20%。
調優建議：在資源參數調優中講解過這個參數。如果記憶體充足，而且很少使用持久化操作，建議調高這個比例，給shuffle read的聚合操作更多記憶體，以避免由于記憶體不足導緻聚合過程中頻繁讀寫磁盤。在實踐中發現，合理調節該參數可以将性能提升10%左右。
預設值：sort
參數說明：該參數用于設定ShuffleManager的類型。Spark 1.5以後，有三個可選項：hash、sort和tungsten-sort。HashShuffleManager是Spark 1.2以前的預設選項，但是Spark 1.2以及之後的版本預設都是SortShuffleManager了。tungsten-sort與sort類似，但是使用了tungsten計劃中的堆外記憶體管理機制，記憶體使用效率更高。
調優建議：由于SortShuffleManager預設會對資料進行排序，是以如果你的業務邏輯中需要該排序機制的話，則使用預設的SortShuffleManager就可以；而如果你的業務邏輯不需要對資料進行排序，那麼建議參考後面的幾個參數調優，通過bypass機制或優化的HashShuffleManager來避免排序操作，同時提供較好的磁盤讀寫性能。這裡要注意的是，tungsten-sort要慎用，因為之前發現了一些相應的bug。
預設值：200
參數說明：當ShuffleManager為SortShuffleManager時，如果shuffle read task的數量小于這個門檻值（預設是200），則shuffle write過程中不會進行排序操作，而是直接按照未經優化的HashShuffleManager的方式去寫資料，但是最後會将每個task産生的所有臨時磁盤檔案都合并成一個檔案，并會建立單獨的索引檔案。
調優建議：當你使用SortShuffleManager時，如果的确不需要排序操作，那麼建議将這個參數調大一些，大于shuffle read task的數量。那麼此時就會自動啟用bypass機制，map-side就不會進行排序了，減少了排序的性能開銷。但是這種方式下，依然會産生大量的磁盤檔案，是以shuffle write性能有待提高。
預設值：false
參數說明：如果使用HashShuffleManager，該參數有效。如果設定為true，那麼就會開啟consolidate機制，會大幅度合并shuffle write的輸出檔案，對于shuffle read task數量特别多的情況下，這種方法可以極大地減少磁盤IO開銷，提升性能。
調優建議：如果的确不需要SortShuffleManager的排序機制，那麼除了使用bypass機制，還可以嘗試将spark.shffle.manager參數手動指定為hash，使用HashShuffleManager，同時開啟consolidate機制。在實踐中嘗試過，發現其性能比開啟了bypass機制的SortShuffleManager要高出10%~30%。
二、資料傾斜調優
有的時候，我們可能會遇到大資料計算中一個最棘手的問題——資料傾斜，此時Spark作業的性能會比期望差很多。資料傾斜調優，就是使用各種技術方案解決不同類型的資料傾斜問題，以保證Spark作業的性能。
絕大多數task執行得都非常快，但個别task執行極慢。比如，總共有1000個task，997個task都在1分鐘之内執行完了，但是剩餘兩三個task卻要一兩個小時。這種情況很常見。
原本能夠正常執行的Spark作業，某天突然報出OOM（記憶體溢出）異常，觀察異常棧，是我們寫的業務代碼造成的。這種情況比較少見。
資料傾斜的原理很簡單：在進行shuffle的時候，必須将各個節點上相同的key拉取到某個節點上的一個task來進行處理，比如按照key進行聚合或join等操作。此時如果某個key對應的資料量特别大的話，就會發生資料傾斜。比如大部分key對應10條資料，但是個别key卻對應了100萬條資料，那麼大部分task可能就隻會配置設定到10條資料，然後1秒鐘就運作完了；但是個别task可能配置設定到了100萬資料，要運作一兩個小時。是以，整個Spark作業的運作進度是由運作時間最長的那個task決定的。
是以出現資料傾斜的時候，Spark作業看起來會運作得非常緩慢，甚至可能因為某個task處理的資料量過大導緻記憶體溢出。
下圖就是一個很清晰的例子：hello這個key，在三個節點上對應了總共7條資料，這些資料都會被拉取到同一個task中進行處理；而world和you這兩個key分别才對應1條資料，是以另外兩個task隻要分别處理1條資料即可。此時第一個task的運作時間可能是另外兩個task的7倍，而整個stage的運作速度也由運作最慢的那個task所決定。
資料傾斜隻會發生在shuffle過程中。這裡給大家羅列一些常用的并且可能會觸發shuffle操作的算子：distinct、groupByKey、reduceByKey、aggregateByKey、join、cogroup、repartition等。出現資料傾斜時，可能就是你的代碼中使用了這些算子中的某一個所導緻的。
首先要看的，就是資料傾斜發生在第幾個stage中。
如果是用yarn-client模式送出，那麼本地是直接可以看到log的，可以在log中找到目前運作到了第幾個stage；如果是用yarn-cluster模式送出，則可以通過Spark Web UI來檢視目前運作到了第幾個stage。此外，無論是使用yarn-client模式還是yarn-cluster模式，我們都可以在Spark Web UI上深入看一下目前這個stage各個task配置設定的資料量，進而進一步确定是不是task配置設定的資料不均勻導緻了資料傾斜。
比如下圖中，倒數第三列顯示了每個task的運作時間。明顯可以看到，有的task運作特别快，隻需要幾秒鐘就可以運作完；而有的task運作特别慢，需要幾分鐘才能運作完，此時單從運作時間上看就已經能夠确定發生資料傾斜了。此外，倒數第一列顯示了每個task處理的資料量，明顯可以看到，運作時間特别短的task隻需要處理幾百KB的資料即可，而運作時間特别長的task需要處理幾千KB的資料，處理的資料量差了10倍。此時更加能夠确定是發生了資料傾斜。
知道資料傾斜發生在哪一個stage之後，接着我們就需要根據stage劃分原理，推算出來發生傾斜的那個stage對應代碼中的哪一部分，這部分代碼中肯定會有一個shuffle類算子。精準推算stage與代碼的對應關系，需要對Spark的源碼有深入的了解，這裡我們可以介紹一個相對簡單實用的推算方法：隻要看到Spark代碼中出現了一個shuffle類算子或者是Spark SQL的SQL語句中出現了會導緻shuffle的語句（比如group by語句），那麼就可以判定，以那個地方為界限劃分出了前後兩個stage。
這裡我們就以Spark最基礎的入門程式——單詞計數來舉例，如何用最簡單的方法大緻推算出一個stage對應的代碼。如下示例，在整個代碼中，隻有一個reduceByKey是會發生shuffle的算子，是以就可以認為，以這個算子為界限，會劃分出前後兩個stage。
stage0，主要是執行從textFile到map操作，以及執行shuffle write操作。shuffle write操作，我們可以簡單了解為對pairs RDD中的資料進行分區操作，每個task處理的資料中，相同的key會寫入同一個磁盤檔案内。
stage1，主要是執行從reduceByKey到collect操作，stage1的各個task一開始運作，就會首先執行shuffle read操作。執行shuffle read操作的task，會從stage0的各個task所在節點拉取屬于自己處理的那些key，然後對同一個key進行全局性的聚合或join等操作，在這裡就是對key的value值進行累加。stage1在執行完reduceByKey算子之後，就計算出了最終的wordCounts RDD，然後會執行collect算子，将所有資料拉取到Driver上，供我們周遊和列印輸出。
這種情況下去定位出問題的代碼就比較容易了。我們建議直接看yarn-client模式下本地log的異常棧，或者是通過YARN檢視yarn-cluster模式下的log中的異常棧。一般來說，通過異常棧資訊就可以定位到你的代碼中哪一行發生了記憶體溢出。然後在那行代碼附近找找，一般也會有shuffle類算子，此時很可能就是這個算子導緻了資料傾斜。
但是大家要注意的是，不能單純靠偶然的記憶體溢出就判定發生了資料傾斜。因為自己編寫的代碼的bug，以及偶然出現的資料異常，也可能會導緻記憶體溢出。是以還是要按照上面所講的方法，通過Spark Web UI檢視報錯的那個stage的各個task的運作時間以及配置設定的資料量，才能确定是否是由于資料傾斜才導緻了這次記憶體溢出。
知道了資料傾斜發生在哪裡之後，通常需要分析一下那個執行了shuffle操作并且導緻了資料傾斜的RDD/Hive表，檢視一下其中key的分布情況。這主要是為之後選擇哪一種技術方案提供依據。針對不同的key分布與不同的shuffle算子組合起來的各種情況，可能需要選擇不同的技術方案來解決。
此時根據你執行操作的情況不同，可以有很多種檢視key分布的方式：
如果是Spark SQL中的group by、join語句導緻的資料傾斜，那麼就查詢一下SQL中使用的表的key分布情況。
如果是對Spark RDD執行shuffle算子導緻的資料傾斜，那麼可以在Spark作業中加入檢視key分布的代碼，比如RDD.countByKey()。然後對統計出來的各個key出現的次數，collect/take到用戶端列印一下，就可以看到key的分布情況。
舉例來說，對于上面所說的單詞計數程式，如果确定了是stage1的reduceByKey算子導緻了資料傾斜，那麼就應該看看進行reduceByKey操作的RDD中的key分布情況，在這個例子中指的就是pairs RDD。如下示例，我們可以先對pairs采樣10%的樣本資料，然後使用countByKey算子統計出每個key出現的次數，最後在用戶端周遊和列印樣本資料中各個key的出現次數。
方案适用場景：導緻資料傾斜的是Hive表。如果該Hive表中的資料本身很不均勻（比如某個key對應了100萬資料，其他key才對應了10條資料），而且業務場景需要頻繁使用Spark對Hive表執行某個分析操作，那麼比較适合使用這種技術方案。
方案實作思路：此時可以評估一下，是否可以通過Hive來進行資料預處理（即通過Hive ETL預先對資料按照key進行聚合，或者是預先和其他表進行join），然後在Spark作業中針對的資料源就不是原來的Hive表了，而是預處理後的Hive表。此時由于資料已經預先進行過聚合或join操作了，那麼在Spark作業中也就不需要使用原先的shuffle類算子執行這類操作了。
方案實作原理：這種方案從根源上解決了資料傾斜，因為徹底避免了在Spark中執行shuffle類算子，那麼肯定就不會有資料傾斜的問題了。但是這裡也要提醒一下大家，這種方式屬于治标不治本。因為畢竟資料本身就存在分布不均勻的問題，是以Hive ETL中進行group by或者join等shuffle操作時，還是會出現資料傾斜，導緻Hive ETL的速度很慢。我們隻是把資料傾斜的發生提前到了Hive ETL中，避免Spark程式發生資料傾斜而已。
方案優點：實作起來簡單便捷，效果還非常好，完全規避掉了資料傾斜，Spark作業的性能會大幅度提升。
方案缺點：治标不治本，Hive ETL中還是會發生資料傾斜。
方案實踐經驗：在一些Java系統與Spark結合使用的項目中，會出現Java代碼頻繁調用Spark作業的場景，而且對Spark作業的執行性能要求很高，就比較适合使用這種方案。将資料傾斜提前到上遊的Hive ETL，每天僅執行一次，隻有那一次是比較慢的，而之後每次Java調用Spark作業時，執行速度都會很快，能夠提供更好的使用者體驗。
項目實踐經驗：在美團·點評的互動式使用者行為分析系統中使用了這種方案，該系統主要是允許使用者通過Java Web系統送出資料分析統計任務，後端通過Java送出Spark作業進行資料分析統計。要求Spark作業速度必須要快，盡量在10分鐘以内，否則速度太慢，使用者體驗會很差。是以我們将有些Spark作業的shuffle操作提前到了Hive ETL中，進而讓Spark直接使用預處理的Hive中間表，盡可能地減少Spark的shuffle操作，大幅度提升了性能，将部分作業的性能提升了6倍以上。
方案适用場景：如果發現導緻傾斜的key就少數幾個，而且對計算本身的影響并不大的話，那麼很适合使用這種方案。比如99%的key就對應10條資料，但是隻有一個key對應了100萬資料，進而導緻了資料傾斜。
方案實作思路：如果我們判斷那少數幾個資料量特别多的key，對作業的執行和計算結果不是特别重要的話，那麼幹脆就直接過濾掉那少數幾個key。比如，在Spark SQL中可以使用where子句過濾掉這些key或者在Spark Core中對RDD執行filter算子過濾掉這些key。如果需要每次作業執行時，動态判定哪些key的資料量最多然後再進行過濾，那麼可以使用sample算子對RDD進行采樣，然後計算出每個key的數量，取資料量最多的key過濾掉即可。
方案實作原理：将導緻資料傾斜的key給過濾掉之後，這些key就不會參與計算了，自然不可能産生資料傾斜。
方案優點：實作簡單，而且效果也很好，可以完全規避掉資料傾斜。
方案缺點：适用場景不多，大多數情況下，導緻傾斜的key還是很多的，并不是隻有少數幾個。
方案實踐經驗：在項目中我們也采用過這種方案解決資料傾斜。有一次發現某一天Spark作業在運作的時候突然OOM了，追查之後發現，是Hive表中的某一個key在那天資料異常，導緻資料量暴增。是以就采取每次執行前先進行采樣，計算出樣本中資料量最大的幾個key之後，直接在程式中将那些key給過濾掉。
方案适用場景：如果我們必須要對資料傾斜迎難而上，那麼建議優先使用這種方案，因為這是處理資料傾斜最簡單的一種方案。
方案實作思路：在對RDD執行shuffle算子時，給shuffle算子傳入一個參數，比如reduceByKey(1000)，該參數就設定了這個shuffle算子執行時shuffle read task的數量。對于Spark SQL中的shuffle類語句，比如group by、join等，需要設定一個參數，即spark.sql.shuffle.partitions，該參數代表了shuffle read task的并行度，該值預設是200，對于很多場景來說都有點過小。
方案實作原理：增加shuffle read task的數量，可以讓原本配置設定給一個task的多個key配置設定給多個task，進而讓每個task處理比原來更少的資料。舉例來說，如果原本有5個key，每個key對應10條資料，這5個key都是配置設定給一個task的，那麼這個task就要處理50條資料。而增加了shuffle read task以後，每個task就配置設定到一個key，即每個task就處理10條資料，那麼自然每個task的執行時間都會變短了。具體原理如下圖所示。
方案優點：實作起來比較簡單，可以有效緩解和減輕資料傾斜的影響。
方案缺點：隻是緩解了資料傾斜而已，沒有徹底根除問題，根據實踐經驗來看，其效果有限。
方案實踐經驗：該方案通常無法徹底解決資料傾斜，因為如果出現一些極端情況，比如某個key對應的資料量有100萬，那麼無論你的task數量增加到多少，這個對應着100萬資料的key肯定還是會配置設定到一個task中去處理，是以注定還是會發生資料傾斜的。是以這種方案隻能說是在發現資料傾斜時嘗試使用的第一種手段，嘗試去用嘴簡單的方法緩解資料傾斜而已，或者是和其他方案結合起來使用。
方案适用場景：對RDD執行reduceByKey等聚合類shuffle算子或者在Spark SQL中使用group by語句進行分組聚合時，比較适用這種方案。
方案實作思路：這個方案的核心實作思路就是進行兩階段聚合。第一次是局部聚合，先給每個key都打上一個随機數，比如10以内的随機數，此時原先一樣的key就變成不一樣的了，比如(hello, 1) (hello, 1) (hello, 1) (hello, 1)，就會變成(1_hello, 1) (1_hello, 1) (2_hello, 1) (2_hello, 1)。接着對打上随機數後的資料，執行reduceByKey等聚合操作，進行局部聚合，那麼局部聚合結果，就會變成了(1_hello, 2) (2_hello, 2)。然後将各個key的字首給去掉，就會變成(hello,2)(hello,2)，再次進行全局聚合操作，就可以得到最終結果了，比如(hello, 4)。
方案實作原理：将原本相同的key通過附加随機字首的方式，變成多個不同的key，就可以讓原本被一個task處理的資料分散到多個task上去做局部聚合，進而解決單個task處理資料量過多的問題。接着去除掉随機字首，再次進行全局聚合，就可以得到最終的結果。具體原理見下圖。
方案優點：對于聚合類的shuffle操作導緻的資料傾斜，效果是非常不錯的。通常都可以解決掉資料傾斜，或者至少是大幅度緩解資料傾斜，将Spark作業的性能提升數倍以上。
方案缺點：僅僅适用于聚合類的shuffle操作，适用範圍相對較窄。如果是join類的shuffle操作，還得用其他的解決方案。
方案适用場景：在對RDD使用join類操作，或者是在Spark SQL中使用join語句時，而且join操作中的一個RDD或表的資料量比較小（比如幾百M或者一兩G），比較适用此方案。
方案實作思路：不使用join算子進行連接配接操作，而使用Broadcast變量與map類算子實作join操作，進而完全規避掉shuffle類的操作，徹底避免資料傾斜的發生和出現。将較小RDD中的資料直接通過collect算子拉取到Driver端的記憶體中來，然後對其建立一個Broadcast變量；接着對另外一個RDD執行map類算子，在算子函數内，從Broadcast變量中擷取較小RDD的全量資料，與目前RDD的每一條資料按照連接配接key進行比對，如果連接配接key相同的話，那麼就将兩個RDD的資料用你需要的方式連接配接起來。
方案實作原理：普通的join是會走shuffle過程的，而一旦shuffle，就相當于會将相同key的資料拉取到一個shuffle read task中再進行join，此時就是reduce join。但是如果一個RDD是比較小的，則可以采用廣播小RDD全量資料+map算子來實作與join同樣的效果，也就是map join，此時就不會發生shuffle操作，也就不會發生資料傾斜。具體原理如下圖所示。
方案優點：對join操作導緻的資料傾斜，效果非常好，因為根本就不會發生shuffle，也就根本不會發生資料傾斜。
方案缺點：适用場景較少，因為這個方案隻适用于一個大表和一個小表的情況。畢竟我們需要将小表進行廣播，此時會比較消耗記憶體資源，driver和每個Executor記憶體中都會駐留一份小RDD的全量資料。如果我們廣播出去的RDD資料比較大，比如10G以上，那麼就可能發生記憶體溢出了。是以并不适合兩個都是大表的情況。
方案适用場景：兩個RDD/Hive表進行join的時候，如果資料量都比較大，無法采用“解決方案五”，那麼此時可以看一下兩個RDD/Hive表中的key分布情況。如果出現資料傾斜，是因為其中某一個RDD/Hive表中的少數幾個key的資料量過大，而另一個RDD/Hive表中的所有key都分布比較均勻，那麼采用這個解決方案是比較合适的。
方案實作思路：
對包含少數幾個資料量過大的key的那個RDD，通過sample算子采樣出一份樣本來，然後統計一下每個key的數量，計算出來資料量最大的是哪幾個key。
然後将這幾個key對應的資料從原來的RDD中拆分出來，形成一個單獨的RDD，并給每個key都打上n以内的随機數作為字首，而不會導緻傾斜的大部分key形成另外一個RDD。
接着将需要join的另一個RDD，也過濾出來那幾個傾斜key對應的資料并形成一個單獨的RDD，将每條資料膨脹成n條資料，這n條資料都按順序附加一個0~n的字首，不會導緻傾斜的大部分key也形成另外一個RDD。
再将附加了随機字首的獨立RDD與另一個膨脹n倍的獨立RDD進行join，此時就可以将原先相同的key打散成n份，分散到多個task中去進行join了。
而另外兩個普通的RDD就照常join即可。
最後将兩次join的結果使用union算子合并起來即可，就是最終的join結果。
方案實作原理：對于join導緻的資料傾斜，如果隻是某幾個key導緻了傾斜，可以将少數幾個key分拆成獨立RDD，并附加随機字首打散成n份去進行join，此時這幾個key對應的資料就不會集中在少數幾個task上，而是分散到多個task進行join了。具體原理見下圖。
方案優點：對于join導緻的資料傾斜，如果隻是某幾個key導緻了傾斜，采用該方式可以用最有效的方式打散key進行join。而且隻需要針對少數傾斜key對應的資料進行擴容n倍，不需要對全量資料進行擴容。避免了占用過多記憶體。
方案缺點：如果導緻傾斜的key特别多的話，比如成千上萬個key都導緻資料傾斜，那麼這種方式也不适合。
方案适用場景：如果在進行join操作時，RDD中有大量的key導緻資料傾斜，那麼進行分拆key也沒什麼意義，此時就隻能使用最後一種方案來解決問題了。
該方案的實作思路基本和“解決方案六”類似，首先檢視RDD/Hive表中的資料分布情況，找到那個造成資料傾斜的RDD/Hive表，比如有多個key都對應了超過1萬條資料。
然後将該RDD的每條資料都打上一個n以内的随機字首。
同時對另外一個正常的RDD進行擴容，将每條資料都擴容成n條資料，擴容出來的每條資料都依次打上一個0~n的字首。
最後将兩個處理後的RDD進行join即可。
方案實作原理：将原先一樣的key通過附加随機字首變成不一樣的key，然後就可以将這些處理後的“不同key”分散到多個task中去處理，而不是讓一個task處理大量的相同key。該方案與“解決方案六”的不同之處就在于，上一種方案是盡量隻對少數傾斜key對應的資料進行特殊處理，由于處理過程需要擴容RDD，是以上一種方案擴容RDD後對記憶體的占用并不大；而這一種方案是針對有大量傾斜key的情況，沒法将部分key拆分出來進行單獨處理，是以隻能對整個RDD進行資料擴容，對記憶體資源要求很高。
方案優點：對join類型的資料傾斜基本都可以處理，而且效果也相對比較顯著，性能提升效果非常不錯。
方案缺點：該方案更多的是緩解資料傾斜，而不是徹底避免資料傾斜。而且需要對整個RDD進行擴容，對記憶體資源要求很高。
方案實踐經驗：曾經開發一個資料需求的時候，發現一個join導緻了資料傾斜。優化之前，作業的執行時間大約是60分鐘左右；使用該方案優化之後，執行時間縮短到10分鐘左右，性能提升了6倍。
在實踐中發現，很多情況下，如果隻是處理較為簡單的資料傾斜場景，那麼使用上述方案中的某一種基本就可以解決。但是如果要處理一個較為複雜的資料傾斜場景，那麼可能需要将多種方案組合起來使用。比如說，我們針對出現了多個資料傾斜環節的Spark作業，可以先運用解決方案一和二，預處理一部分資料，并過濾一部分資料來緩解；其次可以對某些shuffle操作提升并行度，優化其性能；最後還可以針對不同的聚合或join操作，選擇一種方案來優化其性能。大家需要對這些方案的思路和原理都透徹了解之後，在實踐中根據各種不同的情況，靈活運用多種方案，來解決自己的資料傾斜問題。
作者的原創文章，轉載須注明出處。原創文章歸作者所有，歡迎轉載，但是保留版權。對于轉載了部落客的原創文章，不标注出處的，作者将依法追究版權，請尊重作者的成果。