Hadoop3：MR程序的数据倾斜问题处理

一、数据倾斜

什么是数据倾斜？
学过Redis集群的都知道数据倾斜这个问题。

就是大量数据，分配不均匀的现象。

二、MR数据倾斜

1、怎么判断出现数据倾斜？

数据频率倾斜——某一个区域的数据量要远远大于其他区域。
数据大小倾斜——部分记录的大小远远大于平均值。
如下图的一个案例：
所有进程都已经完成，MR程序完成度达到99%，只剩下2个Reduce程序还在运行。

2、解决办法

1、首先检查是否是空值过多造成的数据倾斜
生产环境，可以直接过滤掉空值；如果想保留空值，就自定义分区，将空值加随机数打散。最后再二次聚合。
2、能在map阶段提前处理，最好先在Map阶段处理。如：Combiner、MapJoin
3、设置多个reduce个数。