前言在MapReduce生产环境中数据倾斜是最常见也最致命的性能杀手。一个看似完美的分布式程序可能因为某个ReduceTask处理的数据量远超其他任务导致整个作业卡死数小时甚至失败。本文将从倾斜现象识别、根因分析、六大解决方案到实战案例手把手教你彻底攻克数据倾斜。一、什么是数据倾斜1.1 理想 vs 现实的ReduceTask理想情况所有ReduceTask处理的数据量均匀分布并行高效。现实情况某个ReduceTask如Reduce-0处理了80%的数据其他ReduceTask早早完成却空闲等待。1.2 数据倾斜的核心定义数据倾斜MapReduce作业中大量数据集中分配到少数几个ReduceTask导致这些任务执行时间远长于其他任务拖慢整个作业进度。1.3 倾斜的典型症状症状说明作业进度卡在99%大部分ReduceTask已完成仅剩1-2个长时间运行YARN界面显示某Container内存溢出单个ReduceTask数据量过大内存不足某些ReduceTask处理记录数是其他的100倍Counter统计中Reduce input records严重不均Shuffle阶段耗时占比超过80%大量数据集中到少数节点传输二、数据倾斜的根因分析2.1 倾斜发生的本质数据倾斜发生在Shuffle阶段核心原因是Key的分布不均匀Map输出 → 按Key的hashCode分区 → 相同Key进入同一个ReduceTask ↓ 如果某个Key出现频率极高 → 该分区数据量暴增 → ReduceTask过载2.2 常见倾斜场景场景典型案例原因热点Key空值null、默认值、热门商品ID大量记录共享同一个Key数据本身特性幂律分布如社交网络中的大V少数Key天然高频业务逻辑导致按省份统计北京上海数据量远超其他业务数据分布不均小文件合并不当CombineTextInputFormat设置不合理切片不均导致Map端倾斜HQL转MapReduceHive中Join on字段有大量重复值SQL层面未做优化2.3 倾斜的量化识别通过YARN Counter识别# 查看Reduce输入记录数hadoop job-counterjob_idorg.apache.hadoop.mapreduce.TaskCounter REDUCE_INPUT_RECORDS# 或者查看YARN Web UI的Counter页面判断标准如果最大ReduceTask的输入记录数是最小的10倍以上即可判定存在数据倾斜。三、解决方案一Map端预聚合Combiner3.1 原理在Map端先对相同Key进行局部聚合减少传输到Reduce端的数据量。效果对比无CombinerMap输出 (hello,1) × 10000次 → Reduce接收10000条记录 有CombinerMap本地聚合为 (hello,10000) → Reduce接收1条记录3.2 适用场景求和、计数、最大值、最小值等满足结合律的操作不适合求平均值、去重计数等不满足结合律的场景3.3 代码实现// 在Driver中启用Combinerjob.setCombinerClass(WordCountReducer.class);// 或者自定义CombinerpublicclassWordCountCombinerextendsReducerText,LongWritable,Text,LongWritable{privateLongWritableresultnewLongWritable();Overrideprotectedvoidreduce(Textkey,IterableLongWritablevalues,Contextcontext)throwsIOException,InterruptedException{longsum0;for(LongWritableval:values){sumval.get();}result.set(sum);context.write(key,result);}}3.4 局限性Combiner只能解决Map端输出阶段的倾斜如果单个Key的数据量本身就极大如某个Key有上亿条记录Combiner无法打散到多个ReduceTask倾斜仍会发生在Reduce端。四、解决方案二加盐打散随机前缀4.1 原理对热点Key添加随机前缀将其分散到多个ReduceTask处理最后再聚合结果。两阶段聚合流程第一阶段加盐打散 原始Key: hello → 随机前缀: 1_hello, 2_hello, 3_hello 分散到3个ReduceTask分别聚合 第二阶段去盐聚合 将 1_hello, 2_hello, 3_hello 的结果再次聚合为 hello4.2 代码实现/** * 第一阶段Mapper对热点Key加盐 */publicclassSaltMapperextendsMapperLongWritable,Text,Text,LongWritable{privateTextoutKeynewText();privateLongWritableonenewLongWritable(1);privateRandomrandomnewRandom();privateintsaltNum3;// 盐的数量即分散的ReduceTask数Overrideprotectedvoidmap(LongWritablekey,Textvalue,Contextcontext)throwsIOException,InterruptedException{Stringwordvalue.toString();// 对热点Key加盐假设hello是热点if(hello.equals(word)){intsaltrandom.nextInt(saltNum);// 0, 1, 2outKey.set(salt_word);// 0_hello, 1_hello, 2_hello}else{outKey.set(word);}context.write(outKey,one);}}/** * 第一阶段Reducer局部聚合 */publicclassSaltReducerextendsReducerText,LongWritable,Text,LongWritable{privateLongWritableresultnewLongWritable();Overrideprotectedvoidreduce(Textkey,IterableLongWritablevalues,Contextcontext)throwsIOException,InterruptedException{longsum0;for(LongWritableval:values){sumval.get();}result.set(sum);context.write(key,result);// 输出: 0_hello 3333}// 1_hello 3333}// 2_hello 3334/** * 第二阶段Mapper去盐 */publicclassUnsaltMapperextendsMapperLongWritable,Text,Text,LongWritable{privateTextoutKeynewText();privateLongWritableoutValuenewLongWritable();Overrideprotectedvoidmap(LongWritablekey,Textvalue,Contextcontext)throwsIOException,InterruptedException{Stringlinevalue.toString();String[]fieldsline.split(\t);StringsaltedKeyfields[0];// 如 0_hellolongcountLong.parseLong(fields[1]);// 去掉盐前缀if(saltedKey.contains(_)){StringrealKeysaltedKey.split(_)[1];// hellooutKey.set(realKey);}else{outKey.set(saltedKey);}outValue.set(count);context.write(outKey,outValue);}}/** * 第二阶段Reducer最终聚合 */publicclassUnsaltReducerextendsReducerText,LongWritable,Text,LongWritable{privateLongWritableresultnewLongWritable();Overrideprotectedvoidreduce(Textkey,IterableLongWritablevalues,Contextcontext)throwsIOException,InterruptedException{longsum0;for(LongWritableval:values){sumval.get();}result.set(sum);context.write(key,result);// 最终输出: hello 10000}}4.3 优缺点优点缺点彻底解决热点Key倾斜需要两趟MapReduce作业数翻倍通用性强适用于任何聚合场景非热点Key也会被打散增加 overhead可灵活控制盐的粒度需要预先知道热点Key五、解决方案三自定义Partitioner5.1 原理默认的HashPartitioner按key.hashCode() % numReduceTasks分区如果Key分布不均可以自定义分区逻辑将数据均匀分配。5.2 适用场景已知倾斜原因如按省份统计时北京上海数据过多可以预先定义分区规则5.3 代码实现/** * 自定义Partitioner将热点Key均匀分散 */publicclassSkewPartitionerextendsPartitionerText,LongWritable{OverridepublicintgetPartition(Textkey,LongWritablevalue,intnumPartitions){Stringwordkey.toString();// 对热点Key hello 特殊处理分散到多个分区if(hello.equals(word)){// 使用随机数分散确保每次运行均匀return(word.hashCode()newRandom().nextInt(100))%numPartitions;}// 其他Key使用默认Hash分区returnMath.abs(word.hashCode()%numPartitions);}}// Driver中设置job.setPartitionerClass(SkewPartitioner.class);job.setNumReduceTasks(10);// 确保分区数足够5.4 局限性随机分散后相同Key可能进入不同ReduceTask破坏聚合语义仅适用于无需全局聚合的场景如数据清洗、过滤六、解决方案四两阶段聚合局部聚合全局聚合6.1 原理将聚合操作拆分为两个阶段第一阶段在Map端或Combiner中进行局部聚合第二阶段Reduce端进行全局聚合6.2 与加盐的区别维度加盐打散两阶段聚合阶段数两趟MR一趟MRMap端Reduce端Key处理修改Key加前缀保持Key不变适用场景极端热点Key一般性倾斜6.3 代码实现/** * Map端局部聚合 Reduce端全局聚合 */publicclassTwoPhaseMapperextendsMapperLongWritable,Text,Text,LongWritable{privateMapString,LonglocalMapnewHashMap();// 内存局部聚合Overrideprotectedvoidmap(LongWritablekey,Textvalue,Contextcontext){Stringwordvalue.toString();localMap.put(word,localMap.getOrDefault(word,0L)1);}Overrideprotectedvoidcleanup(Contextcontext)throwsIOException,InterruptedException{// Map任务结束前输出局部聚合结果for(Map.EntryString,Longentry:localMap.entrySet()){context.write(newText(entry.getKey()),newLongWritable(entry.getValue()));}}}七、解决方案五调整并行度7.1 增加ReduceTask数量// 默认1个增加到100个job.setNumReduceTasks(100);原理增加分区数让数据更分散。但如果热点Key只有一个增加分区数无效。7.2 调整MapTask并行度// 调整切片大小增加MapTask数量// 切片变小 → MapTask增多 → 每个Map处理数据减少conf.set(mapreduce.input.fileinputformat.split.minsize,67108864);// 64MB7.3 适用场景轻度倾斜增加并行度即可缓解重度倾斜需结合其他方案八、解决方案六过滤倾斜Key8.1 原理如果倾斜Key是异常数据如null、空字符串、测试数据可以直接过滤。8.2 代码实现publicclassFilterMapperextendsMapperLongWritable,Text,Text,LongWritable{Overrideprotectedvoidmap(LongWritablekey,Textvalue,Contextcontext){Stringwordvalue.toString().trim();// 过滤空值和异常数据if(wordnull||word.isEmpty()||null.equals(word)){return;// 直接丢弃}context.write(newText(word),newLongWritable(1));}}8.3 适用场景倾斜由脏数据导致业务上允许丢弃部分数据九、六大方案对比总结方案适用场景优点缺点复杂度Combiner预聚合求和/计数/最值简单高效一趟MR仅缓解Map端无法解决Reduce端热点低加盐打散极端热点Key彻底解决倾斜两趟MR overhead大高自定义Partitioner已知倾斜原因灵活控制分区可能破坏聚合语义中两阶段聚合一般性倾斜保持Key不变内存压力大中调整并行度轻度倾斜简单快捷对单Key热点无效低过滤倾斜Key脏数据导致最简单可能丢失数据低
