当前位置：首页 > article >正文

大数据面试之路 (一) 数据倾斜

article 2025/3/15 2:31:08

记录大数据面试历程

数据倾斜

大数据岗位，数据倾斜面试必问的一个问题。

一、数据倾斜的表现与原因

表现
- 某个或某几个Task执行时间过长，其他Task快速完成。
- Spark/MapReduce作业卡在某个阶段（如reduce阶段），日志显示少数Task处理大量数据。
- 资源利用率不均衡（如CPU、内存集中在某些节点）。
常见场景
- Key分布不均：如某些Key对应的数据量极大（如用户ID为空的记录、热点事件）。
- 数据分区策略不合理：Hash分区时Key冲突，或Range分区时范围划分不均衡。
- 业务逻辑导致倾斜：如大表Join小表时小表广播失败，或笛卡尔积操作。

二、检测数据倾斜的方法

日志分析
- 查看任务执行时间分布（如Spark UI的Stage详情）。
- 检查Shuffle读写数据量（如Shuffle Read/Write Records）。
抽样统计
- 对Key进行采样，统计Top N高频Key（如用countByKey或sample）。
监控工具
- 使用Ganglia、Prometheus等监控节点资源负载。

三、通用解决方案

1. 预处理：过滤或隔离倾斜数据

过滤异常Key：直接删除无意义的倾斜Key（如空值、测试数据）。
分离热点数据：将高频Key单独处理，与非倾斜数据合并结果。

-- 示例：将热点用户的行为日志单独处理
SELECT * FROM logs WHERE user_id = 'hot_user' -- 单独处理
UNION ALL
SELECT * FROM logs WHERE user_id != 'hot_user' -- 正常处理

2. 调整Key分布

增加随机前缀（Salting）：对Key添加随机数，分散数据到不同分区。

# Spark示例：对倾斜Key添加随机前缀
skewed_rdd = rdd.map(lambda x: (x[0] + "_" + str(random.randint(0, 9)), x[1]))

两阶段聚合：

对Key加随机前缀，局部聚合；
去掉前缀，全局聚合。

3. 优化Shuffle过程

提高并行度：增加分区数（如spark.sql.shuffle.partitions=2000）。
使用Combiner：在Map端预聚合（如ReduceByKey替代GroupByKey）。
广播小表：在Join时，将小表广播到所有Executor，避免Shuffle。

4. 使用特定框架优化

Spark AQE（Adaptive Query Execution）：
Spark 3.0+ 支持动态合并倾斜分区（spark.sql.adaptive.skewJoin.enabled=true）。
Flink KeyBy前加盐：类似Spark的随机前缀方法。
Hive参数调优：
set hive.map.aggr=true; （Map端聚合）
set hive.groupby.skewindata=true; （生成两个MR Job分散负载）。

四、场景化解决方案

场景1：Join操作倾斜

方案1：将小表广播

-- Spark SQL广播Join
SELECT /*+ BROADCAST(small_table) */ *
FROM big_table JOIN small_table ON big_table.key = small_table.key;

方案2：拆分倾斜Key

若大表和大表Join且某些Key倾斜：

提取倾斜Key单独Join；
非倾斜Key正常Join；
合并结果

场景2：Group By/Aggregation倾斜

方案：两阶段聚合（加盐与去盐

-- 第一阶段：对Key加随机后缀，局部聚合
SELECT key || '_' || suffix AS salted_key, SUM(value)
FROM table
GROUP BY key || '_' || suffix;

-- 第二阶段：去除后缀，全局聚合
SELECT REPLACE(salted_key, '_*', '') AS key, SUM(sum_value)
FROM temp_table
GROUP BY REPLACE(salted_key, '_*', '');