# 数据倾斜原理 数据倾斜就是数据的分布严重不均，流入部分算子的数据明显多余其他算子，造成这部分算子压力过大。  # 影响 ## 单点问题 数据集中在某些分区上（Subtask），导致数据严重不平衡。 ## GC 频繁 过多的数据集中在某些 JVM（TaskManager），使得JVM 的内存资源短缺，导致频繁 GC。 ## 吞吐下降、延迟增大 数据单点和频繁 GC 导致吞吐下降、延迟增大。 ## 系统崩溃 严重情况下，过长的 GC 导致 TaskManager 失联，系统崩溃。 # Flink数据倾斜问题定位 ## 定位反压 定位反压有2种方式：Flink Web UI 自带的反压监控（直接方式）、Flink Task Metrics（间接方式）。通过监控反压的信息 ，可以获取到数据处理瓶颈的 Subtask。 ## 确定数据倾斜 Flink Web UI 自带Subtask 接收和发送的数据量。当 Subtasks 之间处理的数据量有较大的差距，则该 Subtask 出现数据倾斜。 # Flink 如何处理常见数据倾斜 ## 数据源 source 消费不均匀 解决思路：通过调整并发度，解决数据源消费不均匀或者数据源反压的情况。 例如kafka数据源，可以调整 KafkaSource 的并发度解决消费不均匀。 调整并发度的原则：KafkaSource 并发度与 kafka 分区数是一样的，或者 kafka 分区数是KafkaSource 并发度的整数倍。 ## key 分布不均匀的无统计场景 说明：key 分布不均匀的无统计场景，例如上游数据分布不均匀，使用keyBy来打散数据。 解决思路： 通过添加随机前缀，打散 key 的分布，使得数据不会集中在几个 Subtask。  具体措施： ① 在原来分区 key/uid 的基础上，加上随机的前缀或者后缀。 ② 使用数据到达的顺序seq，作为分区的key。 ## key 分布不均匀的统计场景 解决思路：聚合统计前，先进行预聚合，例如两阶段聚合（加盐局部聚合+去盐全局聚合）。  两阶段聚合的具体措施： ① 预聚合：加盐局部聚合，在原来的 key 上加随机的前缀或者后缀。 ② 聚合：去盐全局聚合，删除预聚合添加的前缀或者后缀，然后进行聚合统计。 ## SQL 样例 在下面SQL里面，我们统计一个网站各个端的每分钟的pv，从kafka消费过来的数据首先会按照端进行分组，然后执行聚合函 数count来进行pv的计算。 ```plsql select TUMBLE_END(proc_time, INTERVAL '1' MINUTE) as winEnd, plat, count(*) as pv from source_kafka_table group by TUMBLE(proc_time, INTERVAL '1' MINUTE) ,plat ``` 如果某一个端产生的数据特别大，比如我们的微信小程序端产生数据远远大于其他app端的数据，那么把这些数据分组到某一 个算子之后，由于这个算子的处理速度跟不上，就会产生数据倾斜。 ```plsql select winEnd, split_index(plat1,'_',0) as plat2, sum(pv) from ( select TUMBLE_END(proc_time, INTERVAL '1' MINUTE) as winEnd, plat1, count(*) as pv from ( -- 最内层，将分组的key，也就是plat加上一个随机数打散 select plat || '_' || cast(cast(RAND()*100 as int) as string) as plat1 , proc_time from source_kafka_table ) group by TUMBLE(proc_time, INTERVAL '1' MINUTE), plat1 ) group by winEnd,split_index(plat1,'_',0) ``` 在这个sql的最内层，将分组的key，也就是plat加上一个随机数打散，然后求打散后的各个分组（也就是sql中的plat1）的 pv值，然后最外层，将各个打散的pv求和。 注意：最内层的sql，给分组的key添加的随机数，范围不能太大，也不能太小，太大的话，分的组太多，增加checkpoint的 压力，太小的话，起不到打散的作用。