數據傾斜問題剖析

數據傾斜是分布式系統不可避免的問題，任何分布式系統都有幾率發生數據傾斜，但有些小伙伴在平時工作中感知不是很明顯。這里要注意本篇文章的標題—“千億級數據”，為什么說千億級，因為如果一個任務的數據量只有幾百萬，它即使發生了數據傾斜，所有數據都跑到一臺機器去執行，對于幾百萬的數據量，一臺機器執行起來還是毫無壓力的，這時數據傾斜對我們感知不大，只有數據達到一個量級時，一臺機器應付不了這么多數據，這時如果發生數據傾斜，最后就很難算出結果。

所以就需要我們對數據傾斜的問題進行優化，盡量避免或減輕數據傾斜帶來的影響。

在解決數據傾斜問題之前，還要再提一句：沒有瓶頸時談論優化，都是自尋煩惱。

大家想想，在map和reduce兩個階段中，最容易出現數據傾斜的就是reduce階段，因為map到reduce會經過shuffle階段，在shuffle中默認會按照key進行hash，如果相同的key過多，那么hash的結果就是大量相同的key進入到同一個reduce中，導致數據傾斜。

那么有沒有可能在map階段就發生數據傾斜呢，是有這種可能的。

一個任務中，數據文件在進入map階段之前會進行切分，默認是128M一個數據塊，但是如果當對文件使用GZIP壓縮等不支持文件分割操作的壓縮方式時，MR任務讀取壓縮后的文件時，是對它切分不了的，該壓縮文件只會被一個任務所讀取，如果有一個超大的不可切分的壓縮文件被一個map讀取時，就會發生map階段的數據傾斜。

所以，從本質上來說，發生數據傾斜的原因有兩種：一是任務中需要處理大量相同的key的數據。二是任務讀取不可分割的大文件。

數據傾斜解決方案

MapReduce和Spark中的數據傾斜解決方案原理都是類似的，以下討論Hive使用MapReduce引擎引發的數據傾斜，Spark數據傾斜也可以此為參照。

1. 空值引發的數據傾斜

實際業務中有些大量的null值或者一些無意義的數據參與到計算作業中，表中有大量的null值，如果表之間進行join操作，就會有shuffle產生，這樣所有的null值都會被分配到一個reduce中，必然產生數據傾斜。

之前有小伙伴問，如果A、B兩表join操作，假如A表中需要join的字段為null，但是B表中需要join的字段不為null，這兩個字段根本就join不上啊，為什么還會放到一個reduce中呢？

這里我們需要明確一個概念，數據放到同一個reduce中的原因不是因為字段能不能join上，而是因為shuffle階段的hash操作，只要key的hash結果是一樣的，它們就會被拉到同一個reduce中。

解決方案：

第一種：可以直接不讓null值參與join操作，即不讓null值有shuffle階段

SELECT * FROM log a JOIN users b ON a.user_id IS NOT NULL AND a.user_id = b.user_id UNION ALL SELECT * FROM log a WHERE a.user_id IS NULL;

第二種：因為null值參與shuffle時的hash結果是一樣的，那么我們可以給null值隨機賦值，這樣它們的hash結果就不一樣，就會進到不同的reduce中：

SELECT * FROM log a LEFT JOIN users b ON CASE WHEN a.user_id IS NULL THEN concat（‘hive_’， rand（）） ELSE a.user_id END = b.user_id;

2. 不同數據類型引發的數據傾斜

對于兩個表join，表a中需要join的字段key為int，表b中key字段既有string類型也有int類型。當按照key進行兩個表的join操作時，默認的Hash操作會按int型的id來進行分配，這樣所有的string類型都被分配成同一個id，結果就是所有的string類型的字段進入到一個reduce中，引發數據傾斜。

解決方案：

如果key字段既有string類型也有int類型，默認的hash就都會按int類型來分配，那我們直接把int類型都轉為string就好了，這樣key字段都為string，hash時就按照string類型分配了：

SELECT * FROM users a LEFT JOIN logs b ON a.usr_id = CAST（b.user_id AS string）;

3. 不可拆分大文件引發的數據傾斜

當集群的數據量增長到一定規模，有些數據需要歸檔或者轉儲，這時候往往會對數據進行壓縮；當對文件使用GZIP壓縮等不支持文件分割操作的壓縮方式，在日后有作業涉及讀取壓縮后的文件時，該壓縮文件只會被一個任務所讀取。如果該壓縮文件很大，則處理該文件的Map需要花費的時間會遠多于讀取普通文件的Map時間，該Map任務會成為作業運行的瓶頸。這種情況也就是Map讀取文件的數據傾斜。

解決方案：

這種數據傾斜問題沒有什么好的解決方案，只能將使用GZIP壓縮等不支持文件分割的文件轉為bzip和zip等支持文件分割的壓縮方式。

所以，我們在對文件進行壓縮時，為避免因不可拆分大文件而引發數據讀取的傾斜，在數據壓縮的時候可以采用bzip2和Zip等支持文件分割的壓縮算法。

4. 數據膨脹引發的數據傾斜

在多維聚合計算時，如果進行分組聚合的字段過多，如下：

select a，b，c，count（1）from log group by a，b，c with rollup;

注：對于最后的with rollup關鍵字不知道大家用過沒，with rollup是用來在分組統計數據的基礎上再進行統計匯總，即用來得到group by的匯總信息。

如果上面的log表的數據量很大，并且Map端的聚合不能很好地起到數據壓縮的情況下，會導致Map端產出的數據急速膨脹，這種情況容易導致作業內存溢出的異常。如果log表含有數據傾斜key，會加劇Shuffle過程的數據傾斜。

解決方案：

可以拆分上面的sql，將with rollup拆分成如下幾個sql：

SELECT a， b， c， COUNT（1） FROM log GROUP BY a， b， c; SELECT a， b， NULL， COUNT（1） FROM log GROUP BY a， b; SELECT a， NULL， NULL， COUNT（1） FROM log GROUP BY a; SELECT NULL， NULL， NULL， COUNT（1） FROM log;

但是，上面這種方式不太好，因為現在是對3個字段進行分組聚合，那如果是5個或者10個字段呢，那么需要拆解的SQL語句會更多。

在Hive中可以通過參數 hive.new.job.grouping.set.cardinality 配置的方式自動控制作業的拆解，該參數默認值是30。表示針對grouping sets/rollups/cubes這類多維聚合的操作，如果最后拆解的鍵組合大于該值，會啟用新的任務去處理大于該值之外的組合。如果在處理數據時，某個分組聚合的列有較大的傾斜，可以適當調小該值。

5. 表連接時引發的數據傾斜

兩表進行普通的repartition join時，如果表連接的鍵存在傾斜，那么在 Shuffle 階段必然會引起數據傾斜。

解決方案：

通常做法是將傾斜的數據存到分布式緩存中，分發到各個Map任務所在節點。在Map階段完成join操作，即MapJoin，這避免了 Shuffle，從而避免了數據傾斜。

MapJoin是Hive的一種優化操作，其適用于小表JOIN大表的場景，由于表的JOIN操作是在Map端且在內存進行的，所以其并不需要啟動Reduce任務也就不需要經過shuffle階段，從而能在一定程度上節省資源提高JOIN效率。

在Hive 0.11版本之前，如果想在Map階段完成join操作，必須使用MAPJOIN來標記顯示地啟動該優化操作，由于其需要將小表加載進內存所以要注意小表的大小。

如將a表放到Map端內存中執行，在Hive 0.11版本之前需要這樣寫：

select /* +mapjoin（a） */ a.id ， a.name， b.age from a join b on a.id = b.id;

如果想將多個表放到Map端內存中，只需在mapjoin（）中寫多個表名稱即可，用逗號分隔，如將a表和c表放到Map端內存中，則 /* +mapjoin（a，c） */ 。

在Hive 0.11版本及之后，Hive默認啟動該優化，也就是不在需要顯示的使用MAPJOIN標記，其會在必要的時候觸發該優化操作將普通JOIN轉換成MapJoin，可以通過以下兩個屬性來設置該優化的觸發時機：

hive.auto.convert.join=true 默認值為true，自動開啟MAPJOIN優化。

hive.mapjoin.smalltable.filesize=2500000 默認值為2500000（25M），通過配置該屬性來確定使用該優化的表的大小，如果表的大小小于此值就會被加載進內存中。

注意：使用默認啟動該優化的方式如果出現莫名其妙的BUG（比如MAPJOIN并不起作用），就將以下兩個屬性置為fase手動使用MAPJOIN標記來啟動該優化：

hive.auto.convert.join=false （關閉自動MAPJOIN轉換操作）

hive.ignore.mapjoin.hint=false （不忽略MAPJOIN標記）

再提一句：將表放到Map端內存時，如果節點的內存很大，但還是出現內存溢出的情況，我們可以通過這個參數 mapreduce.map.memory.mb 調節Map端內存的大小。

6. 確實無法減少數據量引發的數據傾斜

在一些操作中，我們沒有辦法減少數據量，如在使用 collect_list 函數時：

select s_age，collect_list（s_score） list_score from student group by s_age

collect_list：將分組中的某列轉為一個數組返回。

在上述sql中，s_age如果存在數據傾斜，當數據量大到一定的數量，會導致處理傾斜的reduce任務產生內存溢出的異常。

注：collect_list輸出一個數組，中間結果會放到內存中，所以如果collect_list聚合太多數據，會導致內存溢出。

有小伙伴說這是 group by 分組引起的數據傾斜，可以開啟hive.groupby.skewindata參數來優化。我們接下來分析下：

開啟該配置會將作業拆解成兩個作業，第一個作業會盡可能將Map的數據平均分配到Reduce階段，并在這個階段實現數據的預聚合，以減少第二個作業處理的數據量；第二個作業在第一個作業處理的數據基礎上進行結果的聚合。

hive.groupby.skewindata的核心作用在于生成的第一個作業能夠有效減少數量。但是對于collect_list這類要求全量操作所有數據的中間結果的函數來說，明顯起不到作用，反而因為引入新的作業增加了磁盤和網絡I/O的負擔，而導致性能變得更為低下。

解決方案：

這類問題最直接的方式就是調整reduce所執行的內存大小。

調整reduce的內存大小使用mapreduce.reduce.memory.mb這個配置。

原文標題：Hive 千億級數據傾斜解決方案（好文收藏）

文章出處：【微信公眾號：數據分析與開發】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq