数据倾斜是指Spark中的RDD在计算的时候，每个RDD内部的分区包含的数据不平均。比如一共有5个分区，其中一个占有了90%的数据，这就导致本来5个分区可以5个人一起并行干活，结果四个人不怎么干活，工作全都压到一个人身上了。
但是如果是底层数据的问题，无论怎么优化，还是无法解决数据倾斜的。
比如你想要对某个rdd做groupby，然后做join操作，如果分组的key就是分布不均匀的，那么真样都是无法优化的。因为一旦这个key被切分，就无法完整的做join了，如果不对这个key切分，必然会造成对应的分区数据倾斜。
不过，了解数据为什么会倾斜还是很重要的，继续往下看吧！
分区的作用
在PairRDD即（key,value）这种格式的rdd中，很多操作都是基于key的，因此为了独立分割任务，会按照key对数据进行重组。比如groupbykey
重组肯定是需要一个规则的，最常见的就是基于Hash，Spark还提供了一种稍微复杂点的基于抽样的Range分区方法。
下面我们先看看分区器在Spark计算流程中是怎么使用的：
Paritioner的使用
就拿groupbykey来说：
代码语言：javascript复制def groupByKey(): JavaPairRDD[K, JIterable[V]] =
fromRDD(groupByResultToJava(rdd.groupByKey()))它会调用PairRDDFunction的groupByKey()方法
代码语言：javascript复制def groupByKey(): RDD[(K, Iterable[V])] = self.withScope {
groupByKey(defaultPartitioner(self))
}在这个方法里面创建了默认的分区器。默认的分区器是这样定义的：
代码语言：javascript复制def defaultPartitioner(rdd: RDD[_], others: RDD[_]*): Partitioner = {
val bySize = (Seq(rdd) others).sortBy(_.partitions.size).reverse for (r <- bySize if r.partitioner.isDefined && r.partitioner.get.numPartitions > 0) { return r.partitioner.get
} if (rdd.context.conf.contains("spark.default.parallelism")) {
new HashPartitioner(rdd.context.defaultParallelism)
} else {
new HashPartitioner(bySize.head.partitions.size)
}
}首先获取当前分区的分区个数，如果没有设置spark.default.parallelism参数，则创建一个跟之前分区个数一样的Hash分区器。
当然，用户也可以自定义分区器，或者使用其他提供的分区器。API里面也是支持的：
代码语言：javascript复制// 传入分区器对象 def groupByKey(partitioner: Partitioner): JavaPairRDD[K, JIterable[V]] =
fromRDD(groupByResultToJava(rdd.groupByKey(partitioner)))
// 传入分区的个数 def groupByKey(numPartitions: Int): JavaPairRDD[K, JIterable[V]] =
fromRDD(groupByResultToJava(rdd.groupByKey(numPartitions)))HashPatitioner
Hash分区器，是最简单也是默认提供的分区器，了解它的分区规则，对我们处理数据倾斜或者设计分组的key时，还是很有帮助的。
代码语言：javascript复制class HashPartitioner(partitions: Int) extends Partitioner {
require(partitions >= 0, s"Number of partitions ($partitions) cannot be negative.") def numPartitions: Int = partitions // 通过key计算其HashCode，并根据分区数取模。如果结果小于0，直接加上分区数。 def getPartition(key: Any): Int = key match { case null => 0 case _ => Utils.nonNegativeMod(key.hashCode, numPartitions)
} // 对比两个分区器是否相同，直接对比其分区个数就行 override def equals(other: Any): Boolean = other match { case h: HashPartitioner =>
h.numPartitions == numPartitions case _ => false } override def hashCode: Int = numPartitions
}这里最重要的是这个Utils.nonNegativeMod(key.hashCode, numPartitions),它决定了数据进入到哪个分区。
def nonNegativeMod(x: Int, mod: Int): Int = {
val rawMod = x % mod
rawMod (if (rawMod < 0) mod else 0)
}说白了，就是基于这个key获取它的hashCode，然后对分区个数取模。由于HashCode可能为负，这里直接判断下，如果小于0，再加上分区个数即可。
因此，基于hash的分区，只要保证你的key是分散的，那么最终数据就不会出现数据倾斜的情况。
RangePartitioner
这个分区器，适合想要把数据打散的场景，但是如果相同的key重复量很大，依然会出现数据倾斜的情况。
每个分区器，最核心的方法，就是getPartition
代码语言：javascript复制def getPartition(key: Any): Int = {
val k = key.asInstanceOf[K] var partition = 0 if (rangeBounds.length <= 128) { // If we have less than 128 partitions naive search while (partition < rangeBounds.length && ordering.gt(k, rangeBounds(partition))) { partition = 1 }
} else { // Determine which binary search method to use only once. partition = binarySearch(rangeBounds, k) // binarySearch either returns the match location or -[insertion point]-1 if (partition < 0) { partition = -partition-1 } if (partition > rangeBounds.length) { partition = rangeBounds.length
}
} if (ascending) { partition } else {
rangeBounds.length - partition }
}在range分区中，会存储一个边界的数组，比如[1,100,200,300,400]，然后对比传进来的key，返回对应的分区id。
那么这个边界是怎么确定的呢？
这就是Range分区最核心的算法了，大概描述下，就是遍历每个paritiion，对里面的数据进行抽样，把抽样的数据进行排序，并按照对应的权重确定边界。
有几个比较重要的地方：
- 1 抽样
- 2 确定边界
关于抽样，有一个很常见的算法题，即在不知道数据规模的情况下，如何以等概率的方式，随机选择一个值。
最笨的办法，就是遍历一次数据，知道数据的规模，然后随机一个数，取其对应的值。其实这样相当于遍历了两次（第二次的取值根据不同的存储介质，可能不同）。
在Spark中，是使用水塘抽样这种算法。即首先取第一个值，然后依次往后遍历；第二个值有二分之一的几率替换选出来的值；第三个值有三分之一的几率替换选出来的值；...；直到遍历到最后一个值。这样，通过依次遍历就取出来随机的数值了。
算法参考源码：
代码语言：javascript复制private var rangeBounds: Array[K] = { if (partitions <= 1) { Array.empty
} else { // This is the sample size we need to have roughly balanced output partitions, capped at 1M. // 最大采样数量不能超过1M。比如，如果分区是5，采样数为100 val sampleSize = math.min(20.0 * partitions, 1e6) // Assume the input partitions are roughly balanced and over-sample a little bit. // 每个分区的采样数为平均值的三倍，避免数据倾斜造成的数据量过少 val sampleSizePerPartition = math.ceil(3.0 * sampleSize / rdd.partitions.size).toInt // 真正的采样算法(参数1:rdd的key数组， 采样个数) val (numItems, sketched) = RangePartitioner.sketch(rdd.map(_._1), sampleSizePerPartition) if (numItems == 0L) { Array.empty
} else { // If a partition contains much more than the average number of items, we re-sample from it // to ensure that enough items are collected from that partition. // 如果有的分区包含的数量远超过平均值，那么需要对它重新采样。每个分区的采样数/采样返回的总的记录数 val fraction = math.min(sampleSize / math.max(numItems, 1L), 1.0) //保存有效的采样数 val candidates = ArrayBuffer.empty[(K, Float)] //保存数据倾斜导致的采样数过多的信息 val imbalancedPartitions = mutable.Set.empty[Int]
sketched.foreach { case (idx, n, sample) => if (fraction * n > sampleSizePerPartition) {
imbalancedPartitions = idx
} else { // The weight is 1 over the sampling probability. val weight = (n.toDouble / sample.size).toFloat for (key <- sample) {
candidates = ((key, weight))
}
}
} if (imbalancedPartitions.nonEmpty) { // Re-sample imbalanced partitions with the desired sampling probability. val imbalanced = new PartitionPruningRDD(rdd.map(_._1), imbalancedPartitions.contains) val seed = byteswap32(-rdd.id - 1) //基于RDD获取采样数据 val reSampled = imbalanced.sample(withReplacement = false, fraction, seed).collect() val weight = (1.0 / fraction).toFloat
candidates = reSampled.map(x => (x, weight))
} RangePartitioner.determineBounds(candidates, partitions)
}
}
} def sketch[K : ClassTag](
rdd: RDD[K],
sampleSizePerPartition: Int): (Long, Array[(Int, Long, Array[K])]) = { val shift = rdd.id // val classTagK = classTag[K] // to avoid serializing the entire partitioner object val sketched = rdd.mapPartitionsWithIndex { (idx, iter) => val seed = byteswap32(idx ^ (shift << 16)) val (sample, n) = SamplingUtils.reservoirSampleAndCount(
iter, sampleSizePerPartition, seed) //包装成三元组，（索引号，分区的内容个数，抽样的内容） Iterator((idx, n, sample))
}.collect() val numItems = sketched.map(_._2).sum //返回（数据条数，（索引号，分区的内容个数，抽样的内容）） (numItems, sketched)
}真正的抽样算法在SamplingUtils中,由于在Spark中是需要一次性取多个值的，因此直接去前n个数值，然后依次概率替换即可：
代码语言：javascript复制def reservoirSampleAndCount[T: ClassTag](
input: Iterator[T],
k: Int,
seed: Long = Random.nextLong())
: (Array[T], Long) = { //创建临时数组 val reservoir = new Array[T](k) // Put the first k elements in the reservoir. // 取出前k个数，并把对应的rdd中的数据放入对应的序号的数组中 var i = 0 while (i < k && input.hasNext) { val item = input.next()
reservoir(i) = item
i = 1 } // If we have consumed all the elements, return them. Otherwise do the replacement. // 如果全部的元素，比要抽取的采样数少，那么直接返回 if (i < k) { // If input size < k, trim the array to return only an array of input size. val trimReservoir = new Array[T](i) System.arraycopy(reservoir, 0, trimReservoir, 0, i)
(trimReservoir, i) // 否则开始抽样替换 } else { // If input size > k, continue the sampling process. // 从刚才的序号开始，继续遍历 var l = i.toLong // 随机数 val rand = new XORShiftRandom(seed) while (input.hasNext) { val item = input.next() // 随机一个数与当前的l相乘，如果小于采样数k，就替换。（越到后面，替换的概率越小...） val replacementIndex = (rand.nextDouble() * l).toLong if (replacementIndex < k) {
reservoir(replacementIndex.toInt) = item
}
l = 1 }
(reservoir, l)
}
}确定边界
最后就可以通过获取的样本数据，确定边界了。
代码语言：javascript复制def determineBounds[K : Ordering : ClassTag](
candidates: ArrayBuffer[(K, Float)],
partitions: Int): Array[K] = { val ordering = implicitly[Ordering[K]] // 数据格式为（key，权重） val ordered = candidates.sortBy(_._1) val numCandidates = ordered.size val sumWeights = ordered.map(_._2.toDouble).sum val step = sumWeights / partitions var cumWeight = 0.0 var target = step val bounds = ArrayBuffer.empty[K] var i = 0 var j = 0 var previousBound = Option.empty[K] while ((i < numCandidates) && (j < partitions - 1)) { val (key, weight) = ordered(i)
cumWeight = weight if (cumWeight >= target) { // Skip duplicate values. if (previousBound.isEmpty || ordering.gt(key, previousBound.get)) {
bounds = key
target = step
j = 1 previousBound = Some(key)
}
}
i = 1 }
bounds.toArray
}直接看代码，还是有些晦涩难懂，我们举个例子，一步一步解释下：
按照上面的算法流程，大致可以理解：
代码语言：javascript复制抽样-->确定边界（排序）首先对spark有一定了解的都应该知道，在spark中每个RDD可以理解为一组分区，这些分区对应了内存块block,他们才是数据最终的载体。那么一个RDD由不同的分区组成，这样在处理一些map,filter等算子的时候，就可以直接以分区为单位并行计算了。直到遇到shuffle的时候才需要和其他的RDD配合。
在上面的图中，如果我们不特殊设置的话，一个RDD由3个分区组成，那么在对它进行groupbykey的时候，就会按照3进行分区。
按照上面的算法流程，如果分区数为3，那么采样的大小为：
代码语言：javascript复制val sampleSize = math.min(20.0 * partitions, 1e6)即采样数为60，每个分区取60个数。但是考虑到数据倾斜的情况，有的分区可能数据很多，因此在实际的采样时，会按照3倍大小采样：
代码语言：javascript复制val sampleSizePerPartition = math.ceil(3.0 * sampleSize / rdd.partitions.size).toInt也就是说，最多会取60个样本数据。
然后就是遍历每个分区，取对应的样本数。
代码语言：javascript复制val sketched = rdd.mapPartitionsWithIndex { (idx, iter) => val seed = byteswap32(idx ^ (shift << 16)) val (sample, n) = SamplingUtils.reservoirSampleAndCount(
iter, sampleSizePerPartition, seed) //包装成三元组，（索引号，分区的内容个数，抽样的内容） Iterator((idx, n, sample))
}.collect()然后检查，是否有分区的样本数过多，如果多于平均值，则继续采样，这时直接用sample 就可以了
代码语言：javascript复制sketched.foreach { case (idx, n, sample) => if (fraction * n > sampleSizePerPartition) {
imbalancedPartitions = idx
} else { // The weight is 1 over the sampling probability. val weight = (n.toDouble / sample.size).toFloat for (key <- sample) {
candidates = ((key, weight))
}
}
} if (imbalancedPartitions.nonEmpty) { // Re-sample imbalanced partitions with the desired sampling probability. val imbalanced = new PartitionPruningRDD(rdd.map(_._1), imbalancedPartitions.contains) val seed = byteswap32(-rdd.id - 1) //基于RDD获取采样数据 val reSampled = imbalanced.sample(withReplacement = false, fraction, seed).collect() val weight = (1.0 / fraction).toFloat
candidates = reSampled.map(x => (x, weight))
}取出样本后，就到了确定边界的时候了。
注意每个key都会有一个权重，这个权重是 【分区的数据总数/样本数】
代码语言：javascript复制RangePartitioner.determineBounds(candidates, partitions)首先排序val ordered = candidates.sortBy(_._1)，然后确定一个权重的步长
val sumWeights = ordered.map(_._2.toDouble).sum val step = sumWeights / partitions基于该步长，确定边界，最后就形成了几个范围数据。
然后分区器形成二叉树，遍历该数确定每个key对应的分区id
代码语言：javascript复制partition = binarySearch(rangeBounds, k)实践 —— 自定义分区器
自定义分区器，也是很简单的，只需要实现对应的两个方法就行：
代码语言：javascript复制public class MyPartioner extends Partitioner { @Override public int numPartitions() { return 1000;
} @Override public int getPartition(Object key) {
String k = (String) key; int code = k.hashCode() % 1000;
System.out.println(k ":" code); return code < 0?code 1000:code;
} @Override public boolean equals(Object obj) { if(obj instanceof MyPartioner){ if(this.numPartitions()==((MyPartioner) obj).numPartitions()){ return true;
} return false;
} return super.equals(obj);
}
}使用的时候，可以直接new一个对象即可。
代码语言：javascript复制pairRdd.groupbykey(new MyPartitioner())这样自定义分区器就完成了。
