Hadoop資料傾斜及解決辦法

資料傾斜：就是大量的相同key被partition分配到乙個分割槽裡，map /reduce程式執行時，reduce節點大部分執行完畢，但是有乙個或者幾個reduce節點執行很慢，導致整個程式的處理時間很長，

這是因為某乙個key的條數比其他key多很多（有時是百倍或者千倍之多），這條key所在的reduce節點所處理的資料量比其他節點就大很多，從而導致某幾個節點遲遲執行不完。

解決方案:

1.增加jvm記憶體,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,往往只能通過硬體的手段來進行調優,增加jvm記憶體可以顯著的提高執行效率。

2.增加reduce的個數,這適用於第二種情況(唯一值比較多，這個欄位的某些值有遠遠多於其他值的記錄數，但是它的佔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到乙個分割槽,從而乙個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.自定義分割槽,這需要使用者自己繼承partition類,指定分割槽策略,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加上乙個隨機數,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後再把隨機數去掉即可。

5.使用combinner合併,combinner是在map階段,reduce之前的乙個中間階段,在這個階段可以選擇性的把大量的相同key資料先進行乙個合併,可以看做是local reduce,然後再交給reduce來處理,

這樣做的好處很多,即減輕了map端向reduce端傳送的資料量（減輕了網路頻寬）,也減輕了map端和reduce端中間的shuffle階段的資料拉取數量(本地化磁碟io速率),推薦使用這種方法。