數據傾斜:
數據傾斜在MapReduce編程模型中十分常見,用最通俗易懂的話來說,數據傾斜無非就是大量的相同key被partition分配到一個分區里,造成了'一個人累死,其他人閑死'的情況,這種情況是我們不能接受的,這也違背了並行計算的初衷,首先一個節點要承受着巨大的壓力,而其他節點計算完畢后要一直等待這個忙碌的節點,也拖累了整體的計算時間,可以說效率是十分低下的。
解決方案:
1.增加jvm內存,這適用於第一種情況(唯一值非常少，極少數值有非常多的記錄值(唯一值少於幾千)),這種情況下,往往只能通過硬件的手段來進行調優,增加jvm內存可以顯著的提高運行效率。
2.增加reduce的個數,這適用於第二種情況(唯一值比較多，這個字段的某些值有遠遠多於其他值的記錄數，但是它的占比也小於百分之一或千分之一),我們知道,這種情況下,最容易造成的結果就是大量相同key被partition到一個分區,從而一個reduce執行了大量的工作,而如果我們增加了reduce的個數,這種情況相對來說會減輕很多,畢竟計算的節點多了,就算工作量還是不均勻的,那也要小很多。
3.自定義分區,這需要用戶自己繼承partition類,指定分區策略,這種方式效果比較顯著。
4.重新設計key,有一種方案是在map階段時給key加上一個隨機數,有了隨機數的key就不會被大量的分配到同一節點(小幾率),待到reduce后再把隨機數去掉即可。
5.使用combinner合並,combinner是在map階段,reduce之前的一個中間階段,在這個階段可以選擇性的把大量的相同key數據先進行一個合並,可以看做是local reduce,然后再交給reduce來處理,這樣做的好處很多,即減輕了map端向reduce端發送的數據量（減輕了網絡帶寬）,也減輕了map端和reduce端中間的shuffle階段的數據拉取數量(本地化磁盤IO速率),推薦使用這種方法。