漫談千億級資料優化實踐:資料傾斜
前言
資料傾斜是大資料領域繞不開的攔路虎,當你所需處理的資料量到達了上億甚至是千億條的時候,資料傾斜將是橫在你面前一道巨大的坎。
邁的過去,將會海闊天空!邁不過去,就要做好準備:很可能有幾周甚至幾月都要頭疼於資料傾斜導致的各類詭異的問題。
鄭重宣告:
- 話題比較大,技術要求也比較高,筆者盡最大的能力來寫出自己的理解,寫的不對和不好的地方大家一起交流。
- 有些例子不是特別嚴謹,一些小細節對文章理解沒有影響,不要太在意。(比如我在算機器記憶體的時候,就不把Hadoop自身的程序算到使用記憶體中)
- 總的來講個人感覺寫的還是比較乾貨的。
文章結構
- 先大致解釋一下什麼是資料傾斜
- 再根據幾個場景來描述一下資料傾斜產生的情況
- 詳細分析一下在Hadoop和Spark中產生資料傾斜的原因
- 如何解決(優化)資料傾斜問題?
0x01 什麼是資料傾斜
簡單的講,資料傾斜就是我們在計算資料的時候,資料的分散度不夠,導致大量的資料集中到了一臺或者幾臺機器上計算,這些資料的計算速度遠遠低於平均計算速度,導致整個計算過程過慢。(比如按userId分表的資料,如果某些User的訪問量比較高,則出現數據傾斜)
一、關鍵字:資料傾斜
相信大部分做資料的童鞋們都會遇到資料傾斜,資料傾斜會發生在資料開發的各個環節中,比如:
- 用Hive算資料的時候reduce階段卡在99.99%
- 用SparkStreaming做實時演算法時候,一直會有executor出現OOM的錯誤,但是其餘的executor記憶體使用率卻很低。
這些問題經常會困擾我們,辛辛苦苦等了幾個小時的資料就是跑不出來,心裡多難過啊。
例子很多,這裡先隨便舉兩個,後文會詳細的說明。
二、關鍵字:千億級
為什麼要突出這麼大資料量?先說一下筆者自己最初對資料量的理解:
資料量大就了不起了?資料量少,機器也少,計算能力也是有限的,因此難度也是一樣的。憑什麼資料量大就會有資料傾斜,資料量小就沒有?
這樣理解也有道理,但是比較片面,舉兩個場景來對比:
- 公司一:總使用者量1000萬,5臺64G記憶體的的伺服器。
- 公司二:總使用者量10億,1000臺64G記憶體的伺服器。
兩個公司都部署了Hadoop叢集。假設現在遇到了資料傾斜,發生什麼?
公司一的資料分時童鞋在做join的時候發生了資料傾斜,會導致有幾百萬使用者的相關資料集中到了一臺伺服器上,幾百萬的使用者資料,說大也不大,正常欄位量的資料的話64G還是能輕鬆處理掉的。
公司二的資料分時童鞋在做join的時候也發生了資料傾斜,可能會有1個億的使用者相關資料集中到了一臺機器上了(相信我,這很常見),這時候一臺機器就很難搞定了,最後會很難算出結果。
0x02 資料傾斜長什麼樣
筆者大部分的資料傾斜問題都解決了,而且也不想重新執行任務來截圖,下面會分幾個場景來描述一下資料傾斜的特徵,方便讀者辨別。
由於Hadoop和Spark是最常見的兩個計算平臺,下面就以這兩個平臺說明:
一、Hadoop中的資料傾斜
Hadoop中直接貼近使用者使用的是Mapreduce程式和Hive程式,雖說Hive最後也是用MR來執行(至少目前Hive記憶體計算並不普及),但是畢竟寫的內容邏輯區別很大,一個是程式,一個是Sql,因此這裡稍作區分。
Hadoop中的資料傾斜主要表現在、ruduce階段卡在99.99%,一直99.99%不能結束。
這裡如果詳細的看日誌或者和監控介面的話會發現:
- 有一個多幾個reduce卡住
- 各種container報錯OOM
- 讀寫的資料量極大,至少遠遠超過其它正常的reduce
伴隨著資料傾斜,會出現任務被kill等各種詭異的表現。
經驗:Hive的資料傾斜,一般都發生在Sql中Group和On上,而且和資料邏輯繫結比較深。
二、Spark中的資料傾斜
Spark中的資料傾斜也很常見,這裡包括Spark Streaming和Spark Sql,表現主要有下面幾種:
- Executor lost,OOM,Shuffle過程出錯
- Driver OOM
- 單個Executor執行時間特別久,整體任務卡在某個階段不能結束
- 正常執行的任務突然失敗
補充一下,在Spark streaming程式中,資料傾斜更容易出現,特別是在程式中包含一些類似sql的join、group這種操作的時候。 因為Spark Streaming程式在執行的時候,我們一般不會分配特別多的記憶體,因此一旦在這個過程中出現一些資料傾斜,就十分容易造成OOM。
0x03 資料傾斜的原理
一、資料傾斜產生的原因
我們以Spark和Hive的使用場景為例。他們在做資料運算的時候會設計到,countdistinct、group by、join等操作,這些都會觸發Shuffle動作,一旦觸發,所有相同key的值就會拉到一個或幾個節點上,就容易發生單點問題。
二、萬惡的shuffle
Shuffle是一個能產生奇蹟的地方,不管是在Spark還是Hadoop中,它們的作用都是至關重要的。關於Shuffle的原理,這裡不再講述,看看Hadoop相關的論文或者文章理解一下就ok。這裡主要針對,在Shuffle如何產生了資料傾斜。
Hadoop和Spark在Shuffle過程中產生資料傾斜的原理基本類似。如下圖。
大部分資料傾斜的原理就類似於下圖,很明瞭,因為資料分佈不均勻,導致大量的資料分配到了一個節點。
三、從資料角度來理解資料傾斜
我們舉一個例子,就說資料預設值的設計吧,假設我們有兩張表:
- user(使用者資訊表):userid,register_ip
- ip(IP表):ip,register_user_cnt
這可能是兩個不同的人開發的資料表,如果我們的資料規範不太完善的話,會出現一種情況,user表中的register_ip欄位,如果獲取不到這個資訊,我們預設為null,但是在ip表中,我們在統計這個值的時候,為了方便,我們把獲取不到ip的使用者,統一認為他們的ip為0。
兩邊其實都沒有錯的,但是一旦我們做關聯了會出現什麼情況,這個任務會在做關聯的階段,也就是sql的on的階段卡死。
四、從業務計角度來理解資料傾斜
資料往往和業務是強相關的,業務的場景直接影響到了資料的分佈。
再舉一個例子,比如就說訂單場景吧,我們在某一天在北京和上海兩個城市多了強力的推廣,結果可能是這兩個城市的訂單量增長了10000%,其餘城市的資料量不變。
然後我們要統計不同城市的訂單情況,這樣,一做group操作,可能直接就資料傾斜了。
0x04 如何解決
資料傾斜的產生是有一些討論的,解決它們也是有一些討論的,本章會先給出幾個解決資料傾斜的思路,然後對Hadoop和Spark分別給出一些解決資料傾斜的方案。
注意: 很多資料傾斜的問題,都可以用和平臺無關的方式解決,比如更好的資料預處理, 異常值的過濾等,因此筆者認為,解決資料傾斜的重點在於對資料設計和業務的理解,這兩個搞清楚了,資料傾斜就解決了大部分了。
一、幾個思路
解決資料傾斜有這幾個思路:
- 業務邏輯,我們從業務邏輯的層面上來優化資料傾斜,比如上面的例子,我們單獨對這兩個城市來做count,最後和其它城市做整合。
- 程式層面,比如說在Hive中,經常遇到
count(distinct)
操作,這樣會導致最終只有一個reduce,我們可以先group 再在外面包一層count,就可以了。 - 調參方面,Hadoop和Spark都自帶了很多的引數和機制來調節資料傾斜,合理利用它們就能解決大部分問題。
二、從業務和資料上解決資料傾斜
很多資料傾斜都是在資料的使用上造成的。我們舉幾個場景,並分別給出它們的解決方案。
資料分佈不均勻:
前面提到的“從資料角度來理解資料傾斜”和“從業務計角度來理解資料傾斜”中的例子,其實都是資料分佈不均勻的型別,這種情況和計算平臺無關,我們能通過設計的角度嘗試解決它。
- 有損的方法:
- 找到異常資料,比如ip為0的資料,過濾掉
- 無損的方法:
- 對分佈不均勻的資料,單獨計算
- 先對key做一層hash,先將資料打散讓它的並行度變大,再彙集
- 資料預處理
三、Hadoop平臺的優化方法
列出來一些方法和思路,具體的引數和用法在官網看就行了。
- mapjoin方式
- count distinct的操作,先轉成group,再count
- 萬能膏藥:hive.groupby.skewindata=true
- left semi jioin的使用
- 設定map端輸出、中間結果壓縮。(不完全是解決資料傾斜的問題,但是減少了IO讀寫和網路傳輸,能提高很多效率)
四、Spark平臺的優化方法
列出來一些方法和思路,具體的引數和用法在官網看就行了。
- mapjoin方式
- 設定rdd壓縮
- 合理設定driver的記憶體
- Spark Sql中的優化和Hive類似,可以參考Hive
0xFF 總結
資料傾斜的坑還是很大的,如何處理資料傾斜是一個長期的過程,希望本文的一些思路能提供幫助。
文中一些內容沒有細講,比如Hive Sql的優化,資料清洗中的各種坑,這些留待後面單獨的分享,會有很多的內容。
另外千億級別的資料還會有更多的難點,不僅僅是資料傾斜的問題,這一點在後面也會有專門的分享。