Flink数据倾斜理解

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。

pic

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。

pic

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)。

pic

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。

# flink 


标 题:《Flink数据倾斜理解
作 者:zeekling
提 示:转载请注明文章转载自个人博客:浪浪山旁那个村

评论

取消