多数介绍数据倾斜的文章都是以大篇幅的理论为主,并没有给出具体的数据倾斜案例。当工作中遇到了倾斜问题,这些理论很难直接应用,导致我们面对倾斜时还是不知所措。

今天我们不扯大篇理论,直接以例子来实践,排查是否出现了数据倾斜,具体是哪段代码导致的倾斜,怎么解决这段代码的倾斜。

当执行过程中任务卡在 99%,大概率是出现了数据倾斜,但是通常我们的 SQL 很大,需要判断出是哪段代码导致的倾斜,才能利于我们解决倾斜。通过下面这个非常简单的例子来看下如何定位产生数据倾斜的代码。

表结构描述

先来了解下这些表中我们需要用的字段及数据量:

表的字段非常多,此处仅列出我们需要的字段

第一张表:user_info (用户信息表,用户粒度)

字段名字段含义字段描述userkey用户 key用户标识idno用户的身份证号用户实名认证时获取phone用户的手机号用户注册时的手机号name用户的姓名用户的姓名

user_info 表的数据量:1．02 亿,所占空间:13．7G

第二张表:user_active (用户活跃表,用户粒度)

字段名字段含义字段描述userkey用户 key用户没有注册会分配一个 keyuser_active_at用户的最后活跃日期从埋点日志表中获取用户的最后活跃日期

user_active 表的数据量:1．1 亿

第三张表:user_intend(用户意向表,此处只取近六个月的数据,用户粒度)

字段名字段含义字段描述phone用户的手机号有意向的用户必须是手机号注册的用户intend_commodity用户意向次数最多的商品客户对某件商品意向次数最多intend_rank用户意向等级用户的购买意愿等级,级数越高,意向越大

user_intend 表的数据量:800 万

第四张表:user_order(用户订单表,此处只取近六个月的订单数据,用户粒度)

字段名字段含义字段描述idno用户的身份证号下订单的用户都是实名认证的order_num用户的订单次数用户近六个月下单次数order_amount用户的订单总金额用户近六个月下单总金额

user_order 表的数据量:640 万

1． 需求

需求非常简单,就是将以上四张表关联组成一张大宽表,大宽表中包含用户的基本信息,活跃情况,购买意向及此用户下订单情况。

2． 代码

根据以上需求,我们以 user_info 表为基础表,将其余表关联为一个宽表,代码如下:

select
 a．userkey,
 a．idno,
 a．phone,
 a．name,
 b．user_active_at,
 c．intend_commodity,
 c．intend_rank,
 d．order_num,
 d．order_amount
from user_info a
left join user_active b on a．userkey = b．userkey
left join user_intend c on a．phone = c．phone
left join user_order d on a．idno = d．idno;

执行上述语句,在执行到某个 job 时任务卡在 99%:

这时我们就应该考虑出现数据倾斜了。其实还有一种情况可能是数据倾斜,就是任务超时被杀掉,Reduce 处理的数据量巨大,在做 full gc 的时候,stop the world。导致响应超时,超出默认的 600 秒,任务被杀掉。报错信息一般如下:

AttemptID:attempt_1624419433039_1569885_r_000000 Timed outafter 600 secs Container killed by the ApplicationMaster． Container killed onrequest． Exit code is 143 Container exited with a non-zero exit code 143

3． 倾斜问题排查

数据倾斜大多数都是大 key 问题导致的。

如何判断是大 key 导致的问题,可以通过下面方法:

1． 通过时间判断

如果某个 reduce 的时间比其他 reduce 时间长的多,如下图,大部分 task 在 1 分钟之内完成,只有 r_000000 这个 task 执行 20 多分钟了还没完成。

注意:要排除两种情况:

如果每个 reduce 执行时间差不多,都特别长,不一定是数据倾斜导致的,可能是 reduce 设置过少导致的。

有时候,某个 task 执行的节点可能有问题,导致任务跑的特别慢。这个时候,mapreduce 的推测执行,会重启一个任务。如果新的任务在很短时间内能完成,通常则是由于 task 执行节点问题导致的个别 task 慢。但是如果推测执行后的 task 执行任务也特别慢,那更说明该 task 可能会有倾斜问题。

2． 通过任务 Counter 判断

Counter 会记录整个 job 以及每个 task 的统计信息。counter 的 url 一般类似:

http://bd001:8088/proxy/application_1624419433039_1569885/mapreduce/singletaskcounter/task_1624419433039_1569885_r_000000/org．apache．hadoop．mapreduce．FileSystemCounter

通过输入记录数,普通的 task counter 如下,输入的记录数是 13 亿多:

而 task=000000 的 counter 如下,其输入记录数是 230 多亿。是其他任务的 100 多倍:

4． 定位 SQL 代码

1． 确定任务卡住的 stage

通过 jobname 确定 stage

一般通过 Hive 的默认 jobname 会带上名称会带上 stage 阶段,如下任务卡住的为 Stage-4:

如果 jobname 是自定义的,那可能没法通过 jobname 判断 stage。需要借助于任务日志。

找到执行特别慢的那个 task,然后 Ctrl+F 搜索 “CommonJoinOperator: JOIN struct” 。Hive 在做 join 的时候,会把 join 的 key 打印到日志中。如下:

上图中的关键信息是:struct<_col0:string, _col1:string, _col3:string>

这时候,需要参考该 SQL 的执行计划。通过参考执行计划,可以断定该阶段为 Stage-4 阶段:

2． 确定 SQL 执行代码

确定了执行阶段,即 stage。通过执行计划,则可以判断出是执行哪段代码时出现了倾斜。还是从此图,这个 stage 中进行连接操作的表别名是 d:

就可以推测出是在执行下面红框中代码时出现了数据倾斜,因为这行的表的别名是 d:

5． 解决倾斜

我们知道了哪段代码引起的数据倾斜,就可以看这段代码的表中数据是否有异常。

倾斜原因:

本文的示例数据中 user_info 和 user_order 通过身份证号关联,检查发现 user_info 表中身份证号为空的有 7000 多万,原因就是这 7000 多万数据都分配到一个 reduce 去执行,导致数据倾斜。

解决方法:

可以先把身份证号为空的去除之后再关联,最后按照 userkey 连接,因为 userkey 全部都是有值的:with t1 as(
explain select
u．userkey,
o．*
from user_info u
left join user_order o
on u．idno = o．idno
where u．idno is not null
--是可以把where条件写在后面的,hive会进行谓词下推,先执行where条件在执行 left join
)
select
 a．userkey,
 a．idno,
 a．phone,
 a．name,
 b．user_active_at,
 c．intend_commodity,
 c．intend_rank,
 d．order_num,
 d．order_amount
from user_info a
left join user_active b on a．userkey = b．userkey
left join user_intend c on a．phone = c．phone
left join t1 d on a．userkey = d．userkey;
也可以这样,给身份证为空的数据赋个随机值,但是要注意随机值不能和表中的身份证号有重复:select
 a．userkey,
 a．idno,
 a．phone,
 a．name,
 b．user_active_at,
 c．intend_commodity,
 c．intend_rank,
 d．order_num,
 d．order_amount
from user_info a
left join user_active b on a．userkey = b．userkey
left join user_intend c on a．phone = c．phone
left join user_order d on nvl(a．idno,concat(rand(),'idnumber')) = d．idno;

其他的解决数据倾斜的方法:

1． 过滤掉脏数据

如果大 key 是无意义的脏数据,直接过滤掉。本场景中大 key 有实际意义,不能直接过滤掉。

2． 数据预处理

数据做一下预处理(如上面例子,对 null 值赋一个随机值),尽量保证 join 的时候,同一个 key 对应的记录不要有太多。

3． 增加 reduce 个数

如果数据中出现了多个大 key,增加 reduce 个数,可以让这些大 key 落到同一个 reduce 的概率小很多。

配置 reduce 个数:

set mapred．reduce．tasks = 15;

4． 转换为 mapjoin

如果两个表 join 的时候,一个表为小表,可以用 mapjoin 做。

配置 mapjoin:

set hive．auto．convert．join = true;  是否开启自动mapjoin,默认是true
set hive．mapjoin．smalltable．filesize=100000000;   mapjoin的表size大小

5． 启用倾斜连接优化

hive 中可以设置 hive．optimize．skewjoin 将一个 join sql 分为两个 job。同时可以设置下 hive．skewjoin．key,此参数表示 join 连接的 key 的行数超过指定的行数,就认为该键是偏斜连接键,就对 join 启用倾斜连接优化。默认 key 的行数是 100000。

配置倾斜连接优化:

set hive．optimize．skewjoin=true; 启用倾斜连接优化
set hive．skewjoin．key=200000; 超过20万行就认为该键是偏斜连接键

6． 调整内存设置

适用于那些由于内存超限任务被 kill 掉的场景。通过加大内存起码能让任务跑起来,不至于被杀掉。该参数不一定会明显降低任务执行时间。

配置内存:

set mapreduce．reduce．memory．mb=5120; 设置reduce内存大小
set mapreduce．reduce．java．opts=-Xmx5000m -XX:MaxPermSize=128m。