导航:首页 > 数据分析 > 方向斜的是什么数据不好

方向斜的是什么数据不好

发布时间:2023-09-24 13:11:06

A. 数据倾斜解决思路详解

数据倾斜是由于某个task被分配过多数据,而比其他task需要更多的执行时间(如几十倍,几百倍),导致其他task执行完进入漫长等待的一种现象。

数据倾斜只会发生在多对多或一对多的数据分发的过程中,如spakr的shuffle操作中,在MapRece中的rece阶段,

常见的算子类型为:join,group by 和窗口函数如row_number 。

这是因为这些算子会进行shuffle操作,产生一个key值,如group by的字段,join的on字段,

为了利用多台机器的并发能力,会按这个key值取数范围进行均衡的分发,每台机器尽量分到相同长度的取值范围的key,

然后将这些有key值的数据的数据传输过去。

这时如果某个key范围内的数据量大大多于其他范围的数据量,就会发生数据倾斜。

解决办法:

解决数据倾斜的思路在于,先找到产生数据倾斜的算子操作,然后针对具体的算子,解决它单个key范围被分到过多的数据的问题,

按key的类型,由简便到复杂依次有以下几种解决思路:

1.直接消灭倾斜的key。

2.直接避免shuffle操作,没有了shuffle操作也就没有了数据倾斜

3.通过增多task的数量,减小单个task内的数据量,这个方法适用于某个key范围的数据多的情况。

4.通过特殊处理key值,减小单个task内的数据量,这个方法适用于某些特定的key值的数据过多的情况

第一个解决思路比较简单,找到倾斜的key,直接过滤掉。就没有倾斜问题了。这种操作的适用范围很窄。比如一些空字符串,一些缺省值等等,本身在业务上能接受它们不参与操作。

如果发现造成倾斜的key是这些,就可以直接过滤,非常简单粗暴,性价比最高。

如果该key不能被过滤,就考虑能否将shuffle操作避免掉。

比如join的时候使用广播的方式,将其中一张表广播到所有的机器节点上,这样一个shuffle操作就变成了一个map操作。

广播的方式(map join)适用于join的时候某一张表的数据量比较小的时候,如果两张表都很大,则不适用这种方式。

如果不能避免shuffle操作也不能过滤倾斜的key值,那么我们就要从key值的类型入手,如果倾斜的key值是连续的,不是由单个key值引起的,就可以增大task的数量,

比如,修改shuffle产生的partition参数为更大,就可以使同一个范围内的key值分到不同机器上,

或者使key值重新排列,倒排或者其他方式,使他们不再连续,分配到不同的机器上,就可以防止倾斜。

上述3个操作都比较简单高效,但是应用的场景有限,如果该key不能被过滤,也不能避免shuffle,而且是1个到多个不连续的key引起的,就需要做比较复杂的操作了。

如果是group by,就可以用两阶段聚合法,

将group by a 改成 group by a,b  ,然后再group by a

或者增加一个随机数x,将a通过concat(x,a)改成b,将group by a 改成 group by b, 然后再聚合一次去掉x后的b,group by substr(b,length(x)) 

如果是join操作,就需要分开join,将倾斜的数据和不倾斜的数据分成两部分。

然后两站表不倾斜的部分join得到第一张表。

倾斜的数据,第一张较大的表:增加一个随机数1-x,随机数取决于你想把数据切成几份。

得到 concat(x,a). 

另一张较小的表将每一行复制到x份(总共增加x-1份),然后按顺序标上序号1到x,如下所示:

源数据,倾斜的key值为a和b,

大表:aaaaa bbbbb 

小表:aaaa bbbb

原来的join最后得到40条数据. 每个key分到20条

处理过key的表,

大表:1a 2a 2a 1a 2a 1b 2b 3b 3b 2b  (增加一个随机数前缀1-3)

小表:

1a 2a 3a 1a 2a 3a 1a 2a 3a 1a 2a 3a 这n条数据都按顺序附加一个1~x的前缀

1b 2b 3b 1b 2b 3b 1b 2b 3b 1b 2b 3b

生成40条数据,每个key平均分到6.66条.

6.66条的计算公式是5/3*4,  5是大表的key的条数,有5个,增加随机数之后,被分成了3份,得到了5/3 条,小表虽然也加了随机数但是复制了x份,

所以小表的key还是4个,所以是:5/3*4

最后将倾斜部分的数据和不倾斜的部分的数据分别join之后再union起来就可以了。

当然,解决数据倾斜的不止这些方法,这些方法只是常用的,本质还是打散集中在某台机器,某个task的的数据量。只要能达到这个目的,就可以。

阅读全文

与方向斜的是什么数据不好相关的资料

热点内容
征途app安装包在哪里 浏览:291
做网站有哪些公司 浏览:332
为什么win10系统删除不了文件夹里 浏览:367
华为网站打不开是什么原因 浏览:335
为什么编程时大脑空空 浏览:36
电脑上怎么保存ppt文件 浏览:907
男性董事总人数怎么获得数据 浏览:475
java矩阵特征分解 浏览:98
gxworks2怎么给plc编程 浏览:6
文件编辑器怎么安装软件 浏览:256
嘉兴长沙少儿编程培训班哪个好 浏览:701
win10我的文档图标不见了 浏览:306
处理linux虚拟机乱码 浏览:745
python开发编程软件如何升级程序 浏览:53
怎样把苹果电脑中的文件拷贝到u盘 浏览:955
蓝屏情况下如何删除文件 浏览:385
topo的文件怎么打开 浏览:466
c怎么连接access数据库 浏览:198
一般文件封皮格式标准 浏览:753
函数执行程序怎么关闭 浏览:556

友情链接