4.0 KiB
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。
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。
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。