新公司遇到的第一个spark的坑，寻找原因的过程其实还挺有意思，最终在源码和spark ui上的统计数据的帮助下找到根源，具体如下。

先说下问题

由于严重的数据倾斜，大量数据集中在单个task中，导致shuffle过程中发生异常

完整的exeception是这样的

但奇怪的是，经过尝试减小executor数量后任务反而成功，增大反而失败，经过多次测试，问题稳定复现。

成功的executor数量是7，失败的则是15，集群的active node是7

这结果直接改变了认知，也没爆内存，cpu也够，怎么会这样，executor数量应该越多越快啊，居然还失败了。

解决过程

这个数在几个失败里不一样，但是都超过了Integer.MaxValue。在spark源码中，这条异常发生在TransportFrameDecoder这个类中

检查发现是frame的大小超过了MAX_FRAME_SIZE，而MAX_FRAME_SIZE的大小定义如下

这个TransportFrameDecoder继承自ChannelInboundHandlerAdapter，这是Netty里的类，好了，看到这就明白了，原来错误发生在网络传输过程中，是数据量超大了。

但是对比了成功与失败的任务，都是单个task严重倾斜啊。再看下两个任务的executor分配。

失败的任务

成功的任务

失败的任务里，分配到的节点上都有多个executor；成功的任务里则每个节点只有一个executor。

再看下stage，失败的任务失败在stage26，这个stage依赖于stage24。看图说话

两个任务的stage24都是成功的，看下24的executor的数据量情况

可以看到，两个任务在这个stage上由于数据倾斜，所有数据输入输出都在一个executor中完成。但在stage26中，区别来了

为了提升性能，在hadoop和spark中都会尽量选择数据本地性，尽量让数据local，不行再选择rack等其他方案。而24的输出会作为26的输入。所以24之后自然会选择相同节点上的executor，看下stage26的情况

成功的任务

失败的任务

在成功的任务里，stage26与24的executor完全是同一个，这样数据是完全本地化的，甚至是同一个进程，因而经过优化不再需要通过网络传输

而在失败的任务里，stage26在执行时发现这个node上有3个executor，为了性能的提升，将数据分配给3个executor执行计算。可见其中也成功了一半，32686这个端口的executor是24中执行的那个，因而虽然它要处理3.3g的数据，但是因为不需要网络传输，也仍然可以成功。可是对于另外两个，即使是同一个节点，但是由于是不同进程，仍然需要通过netty的server拉取数据，而这一次的拉取最大不能超过int最大值，因而失败了一个，导致整个stage失败，也就导致了整个job的失败。

总结

由此可见在数据极度倾斜的情况下，增大executor的数量未见得是好事，还是要根据具体情况而来。减小了数量解决了问题，但是这其实并不是最好的解决方案，因为这种情况下，可见数据基本等同于本地执行，完全浪费了集群的并发性，更好的解决方案还需要再继续深入理解。