SparkSQL倾斜处理

1. 过滤倾斜的key，比如业务中爬虫异常key，null
   可以使用df.sample(n)抽样找出倾斜异常key，再df.filter(func)过滤掉倾斜key如果key中的null倾斜需要保留，我们可以将null数据单独拿出来进行处理，比如：

-- 假设a.mobile存在大量的null倾斜
select a.id,a.mobile,b.fields
from table_a
left join table_b
on nvl(a.mobile,rand()) = b.mobile  -- 或者使用union all改写，单独摘出来再拼接上去
select a.id,a.mobile,b.fields_name
from table_a a 
left join table_b b
on a.mobile=b.mobile  
where a.mobile is not null 
union all 
select a.id,a.mobile,null as fields_name
from table_a a
where a.mobile is null -- 过滤异常key
select groupby_field,count(1) as cnt 
from table_a
where groupby_field <> '异常key'
group by groupby_field

2. 增加shuffle并行度，如果各个key的数据量整体差异不大，task < executor_num（executor个数） * executor_cores（每个executor的核心数），我们可以考虑增加task数量，来充分利用计算资源；spark.sql.shuffle.partitions参数可以设置并行度（默认是200），一般设置每核跑1-3个task，磁盘io时可以充分利用计算资源。
   spark中有很多算子有指定并行度参数，比如：
   textFile(xx,minnumpartition)
sc.parallelize(xx,num)
sc.makeRDDD(xx,num)
sc.parallelizePairs(List[Tuple2],num)
redduceByKey(xx,num)，groupByKey(xx,num),join,distinct
repartition,coalesce
spark.default.parallelism在sparksql中并行度由spark.sql.shuffle.partitions决定

3. 双重聚合，类似于hive中的groupby倾斜参数set hive.groupby.skewindata=true，用两个mr计算作业，第一个mr中的key随机分发聚合，第二个mr做全局聚合；比如：

select groupby_field,sum(cnt) as cnt   -- 全局聚合
from 
(  -- key打散聚合select ceiling(rand() * 10) as rnd  -- 添加随机数打散,groupby_field   -- 分组字段,count(1) as cnt  from table_namegroup by ceiling(rand() * 10),groupby_field
) t 
group by groupby_field

4. reduce的joion改写成mapjoin，如果存在小表情况下，可以使用mapjoin，将小表回收到driver端，再广播到各个执行的executor上应用map关联；此场景使用于大表join小表的情况；
   这里需要注意，在外连接时，比如left join或者right join，小表是主表，mapjoin不生效

select /*+mapjoin(b)*/ a.id,b.fields_name
from table_a a
join table_b b  -- b小表
on a.id=b.id

5. join中倾斜key单独摘出来操作。在hive中会有join倾斜参数，hive.optimize.skewjoin=true;它会将join作业拆分成两个MR，对于倾斜健部分单独摘出来使用mapjoin处理，非倾斜键走正常reduce的join。在spark中，如果倾斜键数据符合大表+小表原则，也可以使用该策略。如果倾斜健两个表的数据都比较大，大表倾斜部分同一个key添加n种前缀，小表膨胀倾斜健部分膨胀n倍，倾斜部分join，再union 非倾斜部分join

select  a.id,a.field_a,b.field_b
from 
( -- 加入随机数select id,field_a,ceiling(rand()*10) as rnd_namefrom table_awhere  a.id in ('倾斜健')
) a 
join 
( -- 数据膨胀select id,subview.rnd_name,field_bfrom table_b blateral view explode(array(1,2,3,4,5,6,7,8,9,10))  subview as rnd_namewhere b.id in ('倾斜健')
) b 
on a.id=b.id  and  a.rnd_name=b.rnd_name
union all   -- 拼接非倾斜部分的join
select  a.id,a.field_a,b.field_b
from table_a a 
join table_b b 
on a.id=b.id 
where a.id not in ('倾斜健') and b.id  not in ('倾斜健')

对于rdd计算优化，在代码层面，
如果rdd多次使用使用cache(),persist()持久化
尽量避免shuffle类算子，尽量使用有map端聚合算子，比如reduceByKey，aggregateByKey（可以自定义map端聚合函数，自定义初始记录），combineByKey（类同aggregateByKey，初始记录为rdd数据行）：可以减少shuffle write数据量，shuffle读数据量，redduce端聚合次数；
尽量使用高性能算子，比如用reduceByKey取代groupByKey；使用mapPartitions取代map；数据filter过滤后使用coalse减少分区
使用广播变量，比如mapjoin