多數(shù)介紹數(shù)據(jù)傾斜的文章都是以大篇幅的理論為主,并沒(méi)有給出具體的數(shù)據(jù)傾斜案例。當(dāng)工作中遇到了傾斜問(wèn)題,這些理論很難直接應(yīng)用,導(dǎo)致我們面對(duì)傾斜時(shí)還是不知所措。

今天我們不扯大篇理論,直接以例子來(lái)實(shí)踐,排查是否出現(xiàn)了數(shù)據(jù)傾斜,具體是哪段代碼導(dǎo)致的傾斜,怎么解決這段代碼的傾斜。

當(dāng)執(zhí)行過(guò)程中任務(wù)卡在 99%,大概率是出現(xiàn)了數(shù)據(jù)傾斜,但是通常我們的 SQL 很大,需要判斷出是哪段代碼導(dǎo)致的傾斜,才能利于我們解決傾斜。通過(guò)下面這個(gè)非常簡(jiǎn)單的例子來(lái)看下如何定位產(chǎn)生數(shù)據(jù)傾斜的代碼。

表結(jié)構(gòu)描述

先來(lái)了解下這些表中我們需要用的字段及數(shù)據(jù)量:

表的字段非常多,此處僅列出我們需要的字段

第一張表:user_info (用戶(hù)信息表,用戶(hù)粒度)

字段名字段含義字段描述userkey用戶(hù) key用戶(hù)標(biāo)識(shí)idno用戶(hù)的身份證號(hào)用戶(hù)實(shí)名認(rèn)證時(shí)獲取phone用戶(hù)的手機(jī)號(hào)用戶(hù)注冊(cè)時(shí)的手機(jī)號(hào)name用戶(hù)的姓名用戶(hù)的姓名

user_info 表的數(shù)據(jù)量:1．02 億,所占空間:13．7G

第二張表:user_active (用戶(hù)活躍表,用戶(hù)粒度)

字段名字段含義字段描述userkey用戶(hù) key用戶(hù)沒(méi)有注冊(cè)會(huì)分配一個(gè) keyuser_active_at用戶(hù)的最后活躍日期從埋點(diǎn)日志表中獲取用戶(hù)的最后活躍日期

user_active 表的數(shù)據(jù)量:1．1 億

第三張表:user_intend(用戶(hù)意向表,此處只取近六個(gè)月的數(shù)據(jù),用戶(hù)粒度)

字段名字段含義字段描述phone用戶(hù)的手機(jī)號(hào)有意向的用戶(hù)必須是手機(jī)號(hào)注冊(cè)的用戶(hù)intend_commodity用戶(hù)意向次數(shù)最多的商品客戶(hù)對(duì)某件商品意向次數(shù)最多intend_rank用戶(hù)意向等級(jí)用戶(hù)的購(gòu)買(mǎi)意愿等級(jí),級(jí)數(shù)越高,意向越大

user_intend 表的數(shù)據(jù)量:800 萬(wàn)

第四張表:user_order(用戶(hù)訂單表,此處只取近六個(gè)月的訂單數(shù)據(jù),用戶(hù)粒度)

字段名字段含義字段描述idno用戶(hù)的身份證號(hào)下訂單的用戶(hù)都是實(shí)名認(rèn)證的order_num用戶(hù)的訂單次數(shù)用戶(hù)近六個(gè)月下單次數(shù)order_amount用戶(hù)的訂單總金額用戶(hù)近六個(gè)月下單總金額

user_order 表的數(shù)據(jù)量:640 萬(wàn)

1． 需求

需求非常簡(jiǎn)單,就是將以上四張表關(guān)聯(lián)組成一張大寬表,大寬表中包含用戶(hù)的基本信息,活躍情況,購(gòu)買(mǎi)意向及此用戶(hù)下訂單情況。

2． 代碼

根據(jù)以上需求,我們以 user_info 表為基礎(chǔ)表,將其余表關(guān)聯(lián)為一個(gè)寬表,代碼如下:

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;

執(zhí)行上述語(yǔ)句,在執(zhí)行到某個(gè) job 時(shí)任務(wù)卡在 99%:

這時(shí)我們就應(yīng)該考慮出現(xiàn)數(shù)據(jù)傾斜了。其實(shí)還有一種情況可能是數(shù)據(jù)傾斜,就是任務(wù)超時(shí)被殺掉,Reduce 處理的數(shù)據(jù)量巨大,在做 full gc 的時(shí)候,stop the world。導(dǎo)致響應(yīng)超時(shí),超出默認(rèn)的 600 秒,任務(wù)被殺掉。報(bào)錯(cuò)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． 傾斜問(wèn)題排查

數(shù)據(jù)傾斜大多數(shù)都是大 key 問(wèn)題導(dǎo)致的。

如何判斷是大 key 導(dǎo)致的問(wèn)題,可以通過(guò)下面方法:

1． 通過(guò)時(shí)間判斷

如果某個(gè) reduce 的時(shí)間比其他 reduce 時(shí)間長(zhǎng)的多,如下圖,大部分 task 在 1 分鐘之內(nèi)完成,只有 r_000000 這個(gè) task 執(zhí)行 20 多分鐘了還沒(méi)完成。

注意:要排除兩種情況:

如果每個(gè) reduce 執(zhí)行時(shí)間差不多,都特別長(zhǎng),不一定是數(shù)據(jù)傾斜導(dǎo)致的,可能是 reduce 設(shè)置過(guò)少導(dǎo)致的。

有時(shí)候,某個(gè) task 執(zhí)行的節(jié)點(diǎn)可能有問(wèn)題,導(dǎo)致任務(wù)跑的特別慢。這個(gè)時(shí)候,mapreduce 的推測(cè)執(zhí)行,會(huì)重啟一個(gè)任務(wù)。如果新的任務(wù)在很短時(shí)間內(nèi)能完成,通常則是由于 task 執(zhí)行節(jié)點(diǎn)問(wèn)題導(dǎo)致的個(gè)別 task 慢。但是如果推測(cè)執(zhí)行后的 task 執(zhí)行任務(wù)也特別慢,那更說(shuō)明該 task 可能會(huì)有傾斜問(wèn)題。

2． 通過(guò)任務(wù) Counter 判斷

Counter 會(huì)記錄整個(gè) job 以及每個(gè) task 的統(tǒng)計(jì)信息。counter 的 url 一般類(lèi)似:

http://bd001:8088/proxy/application_1624419433039_1569885/mapreduce/singletaskcounter/task_1624419433039_1569885_r_000000/org．a(chǎn)pache．hadoop．mapreduce．FileSystemCounter

通過(guò)輸入記錄數(shù),普通的 task counter 如下,輸入的記錄數(shù)是 13 億多:

而 task=000000 的 counter 如下,其輸入記錄數(shù)是 230 多億。是其他任務(wù)的 100 多倍:

4． 定位 SQL 代碼

1． 確定任務(wù)卡住的 stage

通過(guò) jobname 確定 stage

一般通過(guò) Hive 的默認(rèn) jobname 會(huì)帶上名稱(chēng)會(huì)帶上 stage 階段,如下任務(wù)卡住的為 Stage-4:

如果 jobname 是自定義的,那可能沒(méi)法通過(guò) jobname 判斷 stage。需要借助于任務(wù)日志。

找到執(zhí)行特別慢的那個(gè) task,然后 Ctrl+F 搜索 “CommonJoinOperator: JOIN struct” 。Hive 在做 join 的時(shí)候,會(huì)把 join 的 key 打印到日志中。如下:

上圖中的關(guān)鍵信息是:struct<_col0:string, _col1:string, _col3:string>

這時(shí)候,需要參考該 SQL 的執(zhí)行計(jì)劃。通過(guò)參考執(zhí)行計(jì)劃,可以斷定該階段為 Stage-4 階段:

2． 確定 SQL 執(zhí)行代碼

確定了執(zhí)行階段,即 stage。通過(guò)執(zhí)行計(jì)劃,則可以判斷出是執(zhí)行哪段代碼時(shí)出現(xiàn)了傾斜。還是從此圖,這個(gè) stage 中進(jìn)行連接操作的表別名是 d:

就可以推測(cè)出是在執(zhí)行下面紅框中代碼時(shí)出現(xiàn)了數(shù)據(jù)傾斜,因?yàn)檫@行的表的別名是 d:

5． 解決傾斜

我們知道了哪段代碼引起的數(shù)據(jù)傾斜,就可以看這段代碼的表中數(shù)據(jù)是否有異常。

傾斜原因:

本文的示例數(shù)據(jù)中 user_info 和 user_order 通過(guò)身份證號(hào)關(guān)聯(lián),檢查發(fā)現(xiàn) user_info 表中身份證號(hào)為空的有 7000 多萬(wàn),原因就是這 7000 多萬(wàn)數(shù)據(jù)都分配到一個(gè) reduce 去執(zhí)行,導(dǎo)致數(shù)據(jù)傾斜。

解決方法:

可以先把身份證號(hào)為空的去除之后再關(guān)聯(lián),最后按照 userkey 連接,因?yàn)?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條件寫(xiě)在后面的,hive會(huì)進(jìn)行謂詞下推,先執(zhí)行where條件在執(zhí)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;
也可以這樣,給身份證為空的數(shù)據(jù)賦個(gè)隨機(jī)值,但是要注意隨機(jī)值不能和表中的身份證號(hào)有重復(fù):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;

其他的解決數(shù)據(jù)傾斜的方法:

1． 過(guò)濾掉臟數(shù)據(jù)

如果大 key 是無(wú)意義的臟數(shù)據(jù),直接過(guò)濾掉。本場(chǎng)景中大 key 有實(shí)際意義,不能直接過(guò)濾掉。

2． 數(shù)據(jù)預(yù)處理

數(shù)據(jù)做一下預(yù)處理(如上面例子,對(duì) null 值賦一個(gè)隨機(jī)值),盡量保證 join 的時(shí)候,同一個(gè) key 對(duì)應(yīng)的記錄不要有太多。

3． 增加 reduce 個(gè)數(shù)

如果數(shù)據(jù)中出現(xiàn)了多個(gè)大 key,增加 reduce 個(gè)數(shù),可以讓這些大 key 落到同一個(gè) reduce 的概率小很多。

配置 reduce 個(gè)數(shù):

set mapred．reduce．tasks = 15;

4． 轉(zhuǎn)換為 mapjoin

如果兩個(gè)表 join 的時(shí)候,一個(gè)表為小表,可以用 mapjoin 做。

配置 mapjoin:

set hive．a(chǎn)uto．convert．join = true;  是否開(kāi)啟自動(dòng)mapjoin,默認(rèn)是true
set hive．mapjoin．smalltable．filesize=100000000;   mapjoin的表size大小

5． 啟用傾斜連接優(yōu)化

hive 中可以設(shè)置 hive．optimize．skewjoin 將一個(gè) join sql 分為兩個(gè) job。同時(shí)可以設(shè)置下 hive．skewjoin．key,此參數(shù)表示 join 連接的 key 的行數(shù)超過(guò)指定的行數(shù),就認(rèn)為該鍵是偏斜連接鍵,就對(duì) join 啟用傾斜連接優(yōu)化。默認(rèn) key 的行數(shù)是 100000。

配置傾斜連接優(yōu)化:

set hive．optimize．skewjoin=true; 啟用傾斜連接優(yōu)化
set hive．skewjoin．key=200000; 超過(guò)20萬(wàn)行就認(rèn)為該鍵是偏斜連接鍵

6． 調(diào)整內(nèi)存設(shè)置

適用于那些由于內(nèi)存超限任務(wù)被 kill 掉的場(chǎng)景。通過(guò)加大內(nèi)存起碼能讓任務(wù)跑起來(lái),不至于被殺掉。該參數(shù)不一定會(huì)明顯降低任務(wù)執(zhí)行時(shí)間。

配置內(nèi)存:

set mapreduce．reduce．memory．mb=5120; 設(shè)置reduce內(nèi)存大小
set mapreduce．reduce．java．opts=-Xmx5000m -XX:MaxPermSize=128m。