这是我的第64篇原创
数据倾斜是上帝对某个服务器的过于偏爱。
造成数据倾斜的原因
上帝太过于偏爱某个服务器，因此给他分配了太多的任务，导致数据都倾斜到这台服务器了。
在大数据场景中，无论是MapReduce还是Spark，都会因两阶段之间的shuffle导致各个服务器接受到的数据导致处理量失衡的问题。情况严重，就变成数据倾斜了。
我们之所以创造分布式环境，就是因为我们将一个巨大的任务拆解成若干个小任务，给不同的服务器执行，这样总执行时间就会减小至1/n。理想状态的任务处理情况应该如下图所示：
原本单机环境需要执行100s的任务，由5台服务器共同执行，每台服务器执行20s，最后总时间会远远大于单机环境的执行时间。而且我们还可以通过不断增加服务器，来不断减少总运行时间。但是往往会出现这种情况：
某4台服务器很快就执行完了任务，但是其中有一台服务器的迟迟不能完成，严重的时候甚至会OOM（Out Of Memory）。究其原因，其实如同上面说过的，在分布式处理的不同阶段之间会有一个混洗（shuffle）的过程：
在Map或者Spark的Stage1阶段，由于每个数据块的大小都是一致的（默认128M），所以在这个阶段是不会出现数据倾斜的。但是一旦我们对数据进行Shuffle，比如按照商品品类进行分组之后，在Reduce或Stage2阶段，数据将会出现严重的倾斜：原本每台服务器都只需要处理3条数据，Shuffle之后，其中两台服务器各只需处理1条，而剩余的那台服务器则需要执行8条数据。三台服务器处理的数据量比为7：1：1。数据倾斜至第一台服务器。任务延迟，甚至OOM。
如何解决数据倾斜呢：
三个层面：
1、预判-原始数据预防，保证原始数据不倾斜；
2、躲闪-规避数据倾斜，尽量规避Shuffle；
3、硬刚-处理数据倾斜，无法规避Shuffle，用各种办法优化Shuffle过程。
预判
虽说HDFS的数据都是128M，不会一开始就出现数据倾斜，但是仍然有以下几种情况：
1、数据压缩后，128M文件大小一样，但是数据量不一样；
2、存在不可切分的大文件；
3、流式数据。
这几种情况还是可能会导致程度不一的数据倾斜的。我们需要做一些简单的处理：
1、数据压缩后，128M文件大小一样，但是数据量不一样；
- 解决办法：压缩前，保证每个文件中的数据量基本一致；
2、存在不可切分的大文件；
- 解决办法：生成数据时，尽量减少不可切分的文件，尽量按照HDFS的逻辑，存成可切分的文件；或者保证这些大文件中的数据量基本一致，且单机可处理。
3、流式数据；
- 解决办法：Kafka的partition实现建议使用随机、轮询等方法，尽量使各topic的各partition的数据尽量平衡。
闪避
既然我们知道数据倾斜的主要原因的shuffle导致的，那么我们首要的优化方向就是shuffle，能不用尽量不要用。有以下几种方法我们可以规避：
4、ETL预处理
在面对无法避免的原始数据倾斜（Hive表中key分布不均匀、kafka中某topic的partititoner含有业务属性，天然不均匀等），我们可以通过前置ETL过程，进行预处理。
注意：这个方法只是将成本转嫁，并没有解决问题。适合削峰填谷类的操作，比如我们将数据预处理好，避免凌晨集中计算的时候处理时间过长，影响其他任务。
5、过滤不必要的key
很多数据分析师在单体数据库的时候，就有一个不好的习惯：总喜欢select *。在hive、spark等分布式环境中，就吃苦头了，经常遇到数据倾斜甚至OOM。有经验的数据分析师在写sql的时候，通常会先group by一下，看看数据的分布情况，然后再处理。
咱在分布式环境中也可以做类似的事情，就是采样。
离线环境可以用随机采样，实时环境可以用鱼塘采样。采样能够快速摸清楚各个key的大致分布。扫一眼数据量大的key，如果跟你的计算没啥关系，直接过滤就行。
比如上面举的例子，母婴品类占绝大多数，但是运营的要求是分析3C产品，那你过滤掉母婴产品，一则减少计算量，二则规避了数据倾斜的问题。
6、Reduce join 改为Map join
如果是大小表的join，比如订单表和订单类型、订单状态的join，如果使用reduce join的话，就非常容易在shuflle之后出现数据倾斜。建议的原则：只要一台服务器的内存能吃下这张小表（主要看服务器内存大小，建议2g以内，再大就影响服务器性能了），就建议用map join。这样join完之后，每份数据依然是基本均衡的，而且规避了shuffle导致数据倾斜的问题。
硬刚
上述几步，能做的都做了，还是不行，那就只能硬刚了。这时就只能八仙过海各显神通了。基本的逻辑还是一样的，就是能拆的尽量拆，不能拆的用空间换时间，或者自定义。
7、通用优化：shuffle并行度
spark的shuffle并行度默认值是200，建议根据服务器的情况进行调整。一般是集群cpu总和的2-3倍。当发生数据倾斜的时候，适当增大并行度，可以让任务和数据更均匀的分布在整个集群中。但是这个调优方法有些玄学成分在，因为你不知道他是咋分过去的。
并行度调整有三个方法：
●操作函数内设置
testRDD.groupByKey(200)
●代码中设置“spark.default.parallelism”
conf.set("spark.default.parallelism", 200)
●配置文件中设置“$SPARK_HOME/conf/spark-defaults.conf” 文件
spark.default.parallelism 200
8、拆分超大key
前面说过采样后过滤。如果采样之后发现这个key还是你需要的，无法怎么办？那就把超大数据量的key拆分出来，单独做成一个任务，这样超大数据量的key一个任务，其他中小数据量的key一个任务，两个任务分别做join啊什么的处理，最后把结果合并一下就行了。
为了避免超大数据量的key单独join的时候还是一个key一个任务，可以在key上加上随机数取模的前缀，这样就把数据分成了N份，然后再join。
9、阶段拆分-两阶段聚合
对于聚合类的操作，这种方式可以说是数据倾斜的大杀器。简单来说就是在需要聚合的key前加一个随机数取模的前缀，这样就能得到非常均匀的key，然后按这个加工之后的key进行第一次聚合之后，再对聚合的结果，按照原始key进行二次聚合，这样基本就不可能出现数据倾斜了。示意图如下：
对比之前的例子中，处理母婴的服务器和处理3c、图书的服务器任务量是7:1:1，这个方案的数据就非常均匀了。
10、任务拆分
很多时候数据情况会非常复杂，有null值、有超大数据量的key、还有各种需要过滤的数据，还有各种聚合和join。那这个时候就需要把任务再拆分。一部分用上面的key值过滤，一部分用Map Join，一部分用超大key单独处理。
11、随机前缀
前面说过小表join的时候可以用Map join。但是遇到大表join大表咋办？三个方法：1、大表拆成小表，多次join；2、SortMergeJoin；3、位图法（详见《位图法搞定10亿用户量用户标签处理》）。
那大表+中表，该咋处理？可以考虑用随机前缀+RDD扩容的方法解决join的问题。
如果你将要join的表不大不小，又不适合用上面大大表的处理方法，那就可以用这个通用的join方法。简单来说，就是对A表中需要join的字段加上n以内的随机数前缀，然后再把B表中的数据复制N份，join的字段加上1-N的前缀，然后量表再join，就能解决数据倾斜的问题了。示意如下：
原始数据如下：
不经处理直接join是这样的，part1很明显比part2要多好几倍的数据：
我们对A表和B表进行随机前缀和RDD扩容处理之后：
然后再join，这样每个part的数据就非常均匀了：
这个方法比较坑的是B表这个RDD需要扩容，要复制N份，对内存要求比较高。但是这个方法可以说是通杀Join的数据倾斜问题。
12、自定义partitioner
上面说改spark的并行数也可以改善数据倾斜，但是有点玄学的意思在里面。其根本原因就是不管你怎么调优，计算引擎的分区都是按照固定的方法进行的，根本不会，也没办法考虑数据真实情况。
无论是二阶段聚合解决聚合的问题，还是随机前缀+RDD扩容解决join的问题，都是通用解决办法，而且还麻烦。其实最好的解决办法就是根据现在处理的这份数据，单独写一个适合的partitioner。比如现在是按省份进行汇总数据，如果只是简单的按省份去分（这并没有错），那么数据肯定会倾斜，因为各省的数据天然不一样。我们可以通过历史数据、抽样数据或者一些常识，对数据进行人工分区，让数据按照我们自定义的分区规则比较均匀的分配到不同的task中。
常见的分区方式：
- 随机分区：每个区域的数据基本均衡，简单易用，偶尔出现倾斜，但是特征同样也会随机打散。
- 轮询分区：绝对不会倾斜，但是需要提前预知分成若干份，进行轮询。
- hash散列：可以针对某个特征进行hash散列，保证相同特征的数据在一个区，但是极容易出现数据倾斜。
- 范围分区：需要排序，临近的数据会被分在同一个区，可以控制分区数据均匀。
