问题导读 1.本文遇到了什么问题？ 2.遇到问题后，做了哪些分析？ 3.本文解决倾斜使用哪些方法？ 4.本次数据倾斜那种方法更有效？ 5.解决性能优化问题的原理是什么？ 优化后效果 1.业务处理中存在复杂的多表关联和计算逻辑（原始数据达百亿数量级） 2.优化后，spark计算性能提升了约12倍(6h-->30min) 3.最终，业务的性能瓶颈存在于ES写入（计算结果，ES索引document数约为21亿 pri.store.size约 300gb）
1. 背景 业务数据不断增大, Spark运行时间越来越长, 从最初的半小时到6个多小时 某日Spark程序运行6.5个小时后, 报“Too large frame...”的异常 org.apache.spark.shuffle.FetchFailedException: Too large frame: 2624680416 2. 原因分析 2.1. 抛出异常的原因 Spark uses custom frame decoder
(TransportFrameDecoder) which does not support frames larger than 2G.
This lead to fails when shuffling using large partitions.
根本原因: 源数据的某一列（或某几列）分布不均匀,当某个shuffle操作是根据此列数据进行shuffle时，就会造成整个数据集发生倾斜，即某些partition包含了大量数据，超出了2G的限制。
异常,就是发生在业务数据处理的最后一步left join操作 2.2. 粗暴的临时解决方法 增大partition数, 让partition中的数据量<2g 由于是left join触发了shuffle操作, 而spark默认join时的分区数为200(即spark.sql.shuffle.partitions=200), 所以增大这个分区数, 即调整该参数为800, 即spark.sql.shuffle.partitions=800 2.3. 解决效果 Spark不再报错,而且“艰难”的跑完了, 跑了近6个小时! 通过Spark UI页面的监控发现, 由于数据倾斜导致, 整个Spark任务的运行时间是被少数的几个Task“拖累的”
3. 思考优化 3.1. 确认数据倾斜 方法一: 通过sample算子对DataSet/DataFrame/RDD进行采样, 找出top n的key值及数量 方法二: 源数据/中间数据落到存储中(如HIVE), 直接查询观察 3.2. 可选方法 1.HIVE ETL 数据预处理 把数据倾斜提前到 HIVE ETL中, 避免Spark发生数据倾斜 这个其实很有用 2.过滤无效的数据 (where / filter) NULL值数据 “脏数据”(非法数据) 业务无关的数据 3.分析join操作, 左右表的特征, 判断是否可以进行小表广播 broadcast （1）这样可避免shuffle操作，特别是当大表特别大 （2）默认情况下, join时候, 如果表的数据量低于spark.sql.autoBroadcastJoinThreshold参数值时(默认值为10 MB), spark会自动进行broadcast, 但也可以通过强制手动指定广播 visitor_df.join(broadcast(campaign_df), Seq("random_bucket", "uuid", "time_range"), "left_outer") 业务数据量是100MB （3）Driver上有一个campaign_df全量的副本, 每个Executor上也会有一个campaign_df的副本 （4）JOIN操作, Spark默认都会进行 merge_sort (也需要避免倾斜) 4.数据打散, 扩容join 分散倾斜的数据, 给key加上随机数前缀 A.join(B)
1.提高shuffle操作并行度 spark.sql.shuffle.partitions 2.多阶段 aggregate操作: 先局部聚合, 再全局聚合 给key打随机值, 如打上1-10, 先分别针对10个组做聚合 最后再统一聚合 join操作: 切成多个部分, 分开join, 最后union 判断出,造成数据倾斜的一些key值 (可通过观察或者sample取样) 如主号 单独拎出来上述key值的记录做join, 剩余记录再做join 独立做优化, 如broadcast 结果数据union即可 3.3. 实际采用的方法 HIVE 预处理 过滤无效的数据 broadcast 打散 --> 随机数 shuffle 并行度
Example:
代码语言：javascript复制- ......
- visitor_leads_fans_df.repartition($"random_index")
- .join(broadcast(campaign_df), Seq("random_bucket", "uuid", "time_range"), "left_outer")
- .drop("random_bucket", "random_index")
- ......
