最近因为手抖，在Spark中给自己挖了一个数据倾斜的坑。为了解决这个问题，顺便研究了下Spark分区器的原理，趁着周末加班总结一下~

先说说数据倾斜

数据倾斜是指Spark中的RDD在计算的时候，每个RDD内部的分区包含的数据不平均。比如一共有5个分区，其中一个占有了90%的数据，这就导致本来5个分区可以5个人一起并行干活，结果四个人不怎么干活，工作全都压到一个人身上了。遇到这种问题，网上有很多的解决办法。

但是如果是底层数据的问题，无论怎么优化，还是无法解决数据倾斜的。

比如你想要对某个rdd做groupby，然后做join操作，如果分组的key就是分布不均匀的，那么真样都是无法优化的。因为一旦这个key被切分，就无法完整的做join了，如果不对这个key切分，必然会造成对应的分区数据倾斜。

不过，了解数据为什么会倾斜还是很重要的，继续往下看吧!

分区的作用

在PairRDD即(key,value)这种格式的rdd中，很多操作都是基于key的，因此为了独立分割任务，会按照key对数据进行重组。比如groupbykey

重组肯定是需要一个规则的，最常见的就是基于Hash，Spark还提供了一种稍微复杂点的基于抽样的Range分区方法。

下面我们先看看分区器在Spark计算流程中是怎么使用的：

Paritioner的使用

就拿groupbykey来说：

1. def groupByKey(): JavaPairRDD[K, JIterable[V]] = 
2.     fromRDD(groupByResultToJava(rdd.groupByKey())) 

它会调用PairRDDFunction的groupByKey()方法

1. def groupByKey(): RDD[(K, Iterable[V])] = self.withScope { 
2.     groupByKey(defaultPartitioner(self)) 
3.   } 

在这个方法里面创建了默认的分区器。默认的分区器是这样定义的：

1. def defaultPartitioner(rdd: RDD[_], others: RDD[_]*): Partitioner = { 
2.     val bySize = (Seq(rdd) ++ others).sortBy(_.partitions.size).reverse 
3.     for (r <- bySize if r.partitioner.isDefined && r.partitioner.get.numPartitions > 0) { 
4.       return r.partitioner.get 
5.     } 
6.     if (rdd.context.conf.contains("spark.default.parallelism")) { 
7.       new HashPartitioner(rdd.context.defaultParallelism) 
8.     } else { 
9.       new HashPartitioner(bySize.head.partitions.size) 
10.     } 
11.   } 

首先获取当前分区的分区个数，如果没有设置spark.default.parallelism参数，则创建一个跟之前分区个数一样的Hash分区器。

当然，用户也可以自定义分区器，或者使用其他提供的分区器。API里面也是支持的：

1. // 传入分区器对象 
2. def groupByKey(partitioner: Partitioner): JavaPairRDD[K, JIterable[V]] = 
3.     fromRDD(groupByResultToJava(rdd.groupByKey(partitioner))) 
4. // 传入分区的个数 
5. def groupByKey(numPartitions: Int): JavaPairRDD[K, JIterable[V]] = 
6.     fromRDD(groupByResultToJava(rdd.groupByKey(numPartitions))) 

HashPatitioner

Hash分区器，是最简单也是默认提供的分区器，了解它的分区规则，对我们处理数据倾斜或者设计分组的key时，还是很有帮助的。

1. class HashPartitioner(partitions: Int) extends Partitioner { 
2.   require(partitions >= 0, s"Number of partitions ($partitions) cannot be negative.") 
3.  
4.   def numPartitions: Int = partitions 
5.  
6.   // 通过key计算其HashCode，并根据分区数取模。如果结果小于0，直接加上分区数。 
7.   def getPartition(key: Any): Int = key match { 
8.     case null => 0 
9.     case _ => Utils.nonNegativeMod(key.hashCode, numPartitions) 
10.   } 
11.  
12.   // 对比两个分区器是否相同，直接对比其分区个数就行 
13.   override def equals(other: Any): Boolean = other match { 
14.     case h: HashPartitioner => 
15.       h.numPartitions == numPartitions 
16.     case _ => 
17.       false 
18.   } 
19.  
20.   override def hashCode: Int = numPartitions 
21. } 

这里最重要的是这个Utils.nonNegativeMod(key.hashCode, numPartitions),它决定了数据进入到哪个分区。

1. def nonNegativeMod(x: Int, mod: Int): Int = { 
2.     val rawMod = x % mod 
3.     rawMod + (if (rawMod < 0) mod else 0) 
4.   } 

说白了，就是基于这个key获取它的hashCode，然后对分区个数取模。由于HashCode可能为负，这里直接判断下，如果小于0，再加上分区个数即可。

因此，基于hash的分区，只要保证你的key是分散的，那么最终数据就不会出现数据倾斜的情况。

RangePartitioner

这个分区器，适合想要把数据打散的场景，但是如果相同的key重复量很大，依然会出现数据倾斜的情况。

每个分区器，最核心的方法，就是getPartition

1. def getPartition(key: Any): Int = { 
2.     val k = key.asInstanceOf[K] 
3.     var partition = 0 
4.     if (rangeBounds.length <= 128) { 
5.       // If we have less than 128 partitions naive search 
6.       while (partition < rangeBounds.length && ordering.gt(k, rangeBounds(partition))) { 
7.         partition += 1 
8.       } 
9.     } else { 
10.       // Determine which binary search method to use only once. 
11.       partition = binarySearch(rangeBounds, k) 
12.       // binarySearch either returns the match location or -[insertion point]-1 
13.       if (partition < 0) { 
14.         partition = -partition-1 
15.       } 
16.       if (partition > rangeBounds.length) { 
17.         partition = rangeBounds.length 
18.       } 
19.     } 
20.     if (ascending) { 
21.       partition 
22.     } else { 
23.       rangeBounds.length - partition 
24.     } 
25.   } 

在range分区中，会存储一个边界的数组，比如[1,100,200,300,400]，然后对比传进来的key，返回对应的分区id。

那么这个边界是怎么确定的呢?

这就是Range分区最核心的算法了，大概描述下，就是遍历每个paritiion，对里面的数据进行抽样，把抽样的数据进行排序，并按照对应的权重确定边界。

有几个比较重要的地方：

1 抽样

2 确定边界

关于抽样，有一个很常见的算法题，即在不知道数据规模的情况下，如何以等概率的方式，随机选择一个值。

最笨的办法，就是遍历一次数据，知道数据的规模，然后随机一个数，取其对应的值。其实这样相当于遍历了两次(第二次的取值根据不同的存储介质，可能不同)。

在Spark中，是使用水塘抽样这种算法。即首先取第一个值，然后依次往后遍历;第二个值有二分之一的几率替换选出来的值;第三个值有三分之一的几率替换选出来的值;…;直到遍历到最后一个值。这样，通过依次遍历就取出来随机的数值了。

算法参考源码：

1. private var rangeBounds: Array[K] = { 
2.     if (partitions <= 1) { 
3.       Array.empty 
4.     } else { 
5.       // This is the sample size we need to have roughly balanced output partitions, capped at 1M. 
6.       // 最大采样数量不能超过1M。比如，如果分区是5，采样数为100 
7.       val sampleSize = math.min(20.0 * partitions, 1e6) 
8.       // Assume the input partitions are roughly balanced and over-sample a little bit. 
9.       // 每个分区的采样数为平均值的三倍，避免数据倾斜造成的数据量过少 
10.       val sampleSizePerPartition = math.ceil(3.0 * sampleSize / rdd.partitions.size).toInt 
11.  
12.       // 真正的采样算法(参数1:rdd的key数组， 采样个数) 
13.       val (numItems, sketched) = RangePartitioner.sketch(rdd.map(_._1), sampleSizePerPartition) 
14.       if (numItems == 0L) { 
15.         Array.empty 
16.       } else { 
17.         // If a partition contains much more than the average number of items, we re-sample from it 
18.         // to ensure that enough items are collected from that partition. 
19.         // 如果有的分区包含的数量远超过平均值，那么需要对它重新采样。每个分区的采样数/采样返回的总的记录数 
20.         val fraction = math.min(sampleSize / math.max(numItems, 1L), 1.0) 
21.         //保存有效的采样数 
22.         val candidates = ArrayBuffer.empty[(K, Float)] 
23.         //保存数据倾斜导致的采样数过多的信息 
24.         val imbalancedPartitions = mutable.Set.empty[Int] 
25.  
26.         sketched.foreach { case (idx, n, sample) => 
27.           if (fraction * n > sampleSizePerPartition) { 
28.             imbalancedPartitions += idx 
29.           } else { 
30.             // The weight is 1 over the sampling probability. 
31.             val weight = (n.toDouble / sample.size).toFloat 
32.             for (key <- sample) { 
33.               candidates += ((key, weight)) 
34.             } 
35.           } 
36.         } 
37.         if (imbalancedPartitions.nonEmpty) { 
38.           // Re-sample imbalanced partitions with the desired sampling probability. 
39.           val imbalanced = new PartitionPruningRDD(rdd.map(_._1), imbalancedPartitions.contains) 
40.           val seed = byteswap32(-rdd.id - 1) 
41.           //基于RDD获取采样数据 
42.           val reSampled = imbalanced.sample(withReplacement = false, fraction, seed).collect() 
43.           val weight = (1.0 / fraction).toFloat 
44.           candidates ++= reSampled.map(x => (x, weight)) 
45.         } 
46.         RangePartitioner.determineBounds(candidates, partitions) 
47.       } 
48.     } 
49.   } 
50.    
51.   def sketch[K : ClassTag]( 
52.       rdd: RDD[K], 
53.       sampleSizePerPartition: Int): (Long, Array[(Int, Long, Array[K])]) = { 
54.     val shift = rdd.id 
55.     // val classTagK = classTag[K] // to avoid serializing the entire partitioner object 
56.     val sketched = rdd.mapPartitionsWithIndex { (idx, iter) => 
57.       val seed = byteswap32(idx ^ (shift << 16)) 
58.       val (sample, n) = SamplingUtils.reservoirSampleAndCount( 
59.         iter, sampleSizePerPartition, seed) 
60.       //包装成三元组，（索引号，分区的内容个数，抽样的内容） 
61.       Iterator((idx, n, sample)) 
62.     }.collect() 
63.     val numItems = sketched.map(_._2).sum 
64.     //返回（数据条数，（索引号，分区的内容个数，抽样的内容）） 
65.     (numItems, sketched) 
66.   } 
67.    

真正的抽样算法在SamplingUtils中,由于在Spark中是需要一次性取多个值的，因此直接去前n个数值，然后依次概率替换即可：

1. def reservoirSampleAndCount[T: ClassTag]( 
2.       input: Iterator[T], 
3.       k: Int, 
4.       seed: Long = Random.nextLong()) 
5.     : (Array[T], Long) = { 
6.     //创建临时数组 
7.     val reservoir = new Array[T](k) 
8.     // Put the first k elements in the reservoir. 
9.     // 取出前k个数，并把对应的rdd中的数据放入对应的序号的数组中 
10.     var i = 0 
11.     while (i < k && input.hasNext) { 
12.       val item = input.next() 
13.       reservoir(i) = item 
14.       i += 1 
15.     } 
16.  
17.     // If we have consumed all the elements, return them. Otherwise do the replacement. 
18.     // 如果全部的元素，比要抽取的采样数少，那么直接返回 
19.     if (i < k) { 
20.       // If input size < k, trim the array to return only an array of input size. 
21.       val trimReservoir = new Array[T](i) 
22.       System.arraycopy(reservoir, 0, trimReservoir, 0, i) 
23.       (trimReservoir, i) 
24.  
25.     // 否则开始抽样替换 
26.     } else { 
27.       // If input size > k, continue the sampling process. 
28.       // 从刚才的序号开始，继续遍历 
29.       var l = i.toLong 
30.       // 随机数 
31.       val rand = new XORShiftRandom(seed) 
32.       while (input.hasNext) { 
33.         val item = input.next() 
34.         // 随机一个数与当前的l相乘，如果小于采样数k，就替换。（越到后面，替换的概率越小...） 
35.         val replacementIndex = (rand.nextDouble() * l).toLong 
36.         if (replacementIndex < k) { 
37.           reservoir(replacementIndex.toInt) = item 
38.         } 
39.         l += 1 
40.       } 
41.       (reservoir, l) 
42.     } 
43.   } 

确定边界

最后就可以通过获取的样本数据，确定边界了。

1. def determineBounds[K : Ordering : ClassTag]( 
2.       candidates: ArrayBuffer[(K, Float)], 
3.       partitions: Int): Array[K] = { 
4.     val ordering = implicitly[Ordering[K]] 
5.     // 数据格式为（key，权重） 
6.     val ordered = candidates.sortBy(_._1) 
7.     val numCandidates = ordered.size 
8.     val sumWeights = ordered.map(_._2.toDouble).sum 
9.     val step = sumWeights / partitions 
10.     var cumWeight = 0.0 
11.     var target = step 
12.     val bounds = ArrayBuffer.empty[K] 
13.     var i = 0 
14.     var j = 0 
15.     var previousBound = Option.empty[K] 
16.     while ((i < numCandidates) && (j < partitions - 1)) { 
17.       val (key, weight) = ordered(i) 
18.       cumWeight += weight 
19.       if (cumWeight >= target) { 
20.         // Skip duplicate values. 
21.         if (previousBound.isEmpty || ordering.gt(key, previousBound.get)) { 
22.           bounds += key 
23.           target += step 
24.           j += 1 
25.           previousBound = Some(key) 
26.         } 
27.       } 
28.       i += 1 
29.     } 
30.     bounds.toArray 
31.   } 

直接看代码，还是有些晦涩难懂，我们举个例子，一步一步解释下：

按照上面的算法流程，大致可以理解：

1. 抽样-->确定边界(排序) 

首先对spark有一定了解的都应该知道，在spark中每个RDD可以理解为一组分区，这些分区对应了内存块block,他们才是数据最终的载体。那么一个RDD由不同的分区组成，这样在处理一些map,filter等算子的时候，就可以直接以分区为单位并行计算了。直到遇到shuffle的时候才需要和其他的RDD配合。

在上面的图中，如果我们不特殊设置的话，一个RDD由3个分区组成，那么在对它进行groupbykey的时候，就会按照3进行分区。

按照上面的算法流程，如果分区数为3，那么采样的大小为：

1. val sampleSize = math.min(20.0 * partitions, 1e6) 

即采样数为60，每个分区取60个数。但是考虑到数据倾斜的情况，有的分区可能数据很多，因此在实际的采样时，会按照3倍大小采样：

1. val sampleSizePerPartition = math.ceil(3.0 * sampleSize / rdd.partitions.size).toInt 

也就是说，最多会取60个样本数据。

然后就是遍历每个分区，取对应的样本数。

1. val sketched = rdd.mapPartitionsWithIndex { (idx, iter) => 
2.       val seed = byteswap32(idx ^ (shift << 16)) 
3.       val (sample, n) = SamplingUtils.reservoirSampleAndCount( 
4.         iter, sampleSizePerPartition, seed) 
5.       //包装成三元组，（索引号，分区的内容个数，抽样的内容） 
6.       Iterator((idx, n, sample)) 
7.     }.collect() 

然后检查，是否有分区的样本数过多，如果多于平均值，则继续采样，这时直接用sample 就可以了

1. sketched.foreach { case (idx, n, sample) => 
2.           if (fraction * n > sampleSizePerPartition) { 
3.             imbalancedPartitions += idx 
4.           } else { 
5.             // The weight is 1 over the sampling probability. 
6.             val weight = (n.toDouble / sample.size).toFloat 
7.             for (key <- sample) { 
8.               candidates += ((key, weight)) 
9.             } 
10.           } 
11.         } 
12.         if (imbalancedPartitions.nonEmpty) { 
13.           // Re-sample imbalanced partitions with the desired sampling probability. 
14.           val imbalanced = new PartitionPruningRDD(rdd.map(_._1), imbalancedPartitions.contains) 
15.           val seed = byteswap32(-rdd.id - 1) 
16.           //基于RDD获取采样数据 
17.           val reSampled = imbalanced.sample(withReplacement = false, fraction, seed).collect() 
18.           val weight = (1.0 / fraction).toFloat 
19.           candidates ++= reSampled.map(x => (x, weight)) 
20.         } 

取出样本后，就到了确定边界的时候了。

注意每个key都会有一个权重，这个权重是 【分区的数据总数/样本数】

1. RangePartitioner.determineBounds(candidates, partitions) 

首先排序val ordered = candidates.sortBy(_._1)，然后确定一个权重的步长

1. val sumWeights = ordered.map(_._2.toDouble).sum 
2. val step = sumWeights / partitions 

基于该步长，确定边界，最后就形成了几个范围数据。

然后分区器形成二叉树，遍历该数确定每个key对应的分区id

1. partition = binarySearch(rangeBounds, k) 

实践 —— 自定义分区器

自定义分区器，也是很简单的，只需要实现对应的两个方法就行：

1. public class MyPartioner extends Partitioner { 
2.     @Override 
3.     public int numPartitions() { 
4.         return 1000; 
5.     } 
6.  
7.     @Override 
8.     public int getPartition(Object key) { 
9.         String k = (String) key; 
10.         int code = k.hashCode() % 1000; 
11.         System.out.println(k+":"+code); 
12.         return  code < 0?code+1000:code; 
13.     } 
14.  
15.     @Override 
16.     public boolean equals(Object obj) { 
17.         if(obj instanceof MyPartioner){ 
18.             if(this.numPartitions()==((MyPartioner) obj).numPartitions()){ 
19.                 return true; 
20.             } 
21.             return false; 
22.         } 
23.         return super.equals(obj); 
24.     } 
25. } 

使用的时候，可以直接new一个对象即可。

1. pairRdd.groupbykey(new MyPartitioner()) 

这样自定义分区器就完成了。

本文作者：xingoo

来源：51CTO