除了Join之外还有其它计算长尾现象产生,本文将为您介绍典型的长尾问题的场景及其解决方案。
长尾问题是分布式计算中最常见的问题之一。造成长尾问题的主要原因是数据分布不均,导致各个节点的工作量不同,整个任务需要等最慢的节点完成才能结束。
为了避免一个Worker单独运行大量的工作,需要把工作分给多个Worker去执行。
Group By 长尾
问题原因
Group By Key出现长尾,是因为某个Key内的计算量特别大。
解决办法
- 对SQL进行改写,添加随机数,把长Key进行拆分。举例如下。
SELECT Key,COUNT(*) AS Cnt FROM TableName GROUP BY Key;
不考虑Combiner,M节点会Shuffle到R上,然后R再做Count操作。对应的执行计划是 M > R。但是如果对长尾的Key再做一次工作再分配,就变成如下语句。
-- 假设长尾的Key已经找到是KEY001。 SELECT a.Key , SUM(a.Cnt) AS Cnt FROM ( SELECT Key , COUNT(*) AS Cnt FROM TableName GROUP BY Key, CASE WHEN Key = 'KEY001' THEN Hash(Random()) % 50 ELSE 0 END ) a GROUP BY a.Key;
由上可见,这次的执行计划变成了M>R>R。虽然执行的步骤变长了,但是长尾的Key经过2个步骤的处理,整体的时间消耗可能反而有所减少。
说明 若数据的长尾并不严重,用这种方法人为地增加一次R的过程,最终的时间消耗可能反而更大。 - 通过设置系统参数优化长尾问题。
set odps.sql.groupby.skewindata=true。
此设置为通用性的优化策略,无法针对具体的业务进行分析,得出的结果不一定是最优的。您可以根据实际的数据情况,用更加高效的方法来改写SQL。
Distinct 长尾
对于Distinct,把长Key进行拆分的策略已经不生效了。对这种场景,您可以考虑通过其它方式解决。
解决办法
--原始SQL,不考虑Uid为空。
SELECT COUNT(uid) AS Pv
, COUNT(DISTINCT uid) AS Uv
FROM UserLog;
SELECT SUM(PV) AS Pv
, COUNT(*) AS UV
FROM (
SELECT COUNT(*) AS Pv
, uid
FROM UserLog
GROUP BY uid
) a;
该方法是把Distinct改成了普通的Count,这样的计算压力不会落到同一个Reducer上。而且这样改写后,既能支持前面提到的Group By优化,系统又能做Combiner,性能会有较大的提升。
动态分区长尾
问题原因
- 动态分区功能为了整理小文件,会在最后启用一个Reduce,对数据进行整理,所以如果使用动态分区写入数据时有倾斜,就会发生长尾。
- 一般情况下,滥用动态分区的功能也是产生这类长尾的一个常见原因。
解决办法
若已经确定需要把数据写入某个具体分区,则可以在Insert的时候指定需要写入的分区,而不是使用动态分区。
通过 Combiner 解决长尾
对于MapRedcuce作业,使用Combine是一种常见的长尾优化策略。通过Combiner,减少Mapper Shuffle往Reducer的数据,可以大大减少网络传输的开销。对于MaxCompute SQL,这种优化会由系统自动完成。
(KEY,1)
和传1个(KEY,2)
的结果是一样的。但是在做平均值时,便不能直接在Combiner里把 (KEY,1)
和(KEY,2)
合并成(KEY,1.5)
。
通过系统优化解决长尾
针对长尾这种场景,除了前面提到的Local Combiner,MaxCompute系统本身还做了一些优化。例如,在运行任务的时候,日志里突然打出如下的内容(+N backups 部分)。
M1_Stg1_job0:0/521/521[100%] M2_Stg1_job0:0/1/1[100%] J9_1_2_Stg5_job0:0/523/523[100%] J3_1_2_Stg1_job0:0/523/523[100%] R6_3_9_Stg2_job0:1/1046/1047[100%]
M1_Stg1_job0:0/521/521[100%] M2_Stg1_job0:0/1/1[100%] J9_1_2_Stg5_job0:0/523/523[100%] J3_1_2_Stg1_job0:0/523/523[100%] R6_3_9_Stg2_job0:1/1046/1047[100%]
M1_Stg1_job0:0/521/521[100%] M2_Stg1_job0:0/1/1[100%] J9_1_2_Stg5_job0:0/523/523[100%] J3_1_2_Stg1_job0:0/523/523[100%] R6_3_9_Stg2_job0:1/1046/1047(+1 backups)[100%]
M1_Stg1_job0:0/521/521[100%] M2_Stg1_job0:0/1/1[100%] J9_1_2_Stg5_job0:0/523/523[100%] J3_1_2_Stg1_job0:0/523/523[100%] R6_3_9_Stg2_job0:1/1046/1047(+1 backups)[100%]
可以看到1047个Reducer,有1046个已经完成了,但是最后一个一直没完成。系统识别出这种情况后,自动启动了一个新的Reducer,运行一样的数据,然后取运行结束较早的数据归并到最后的结果集里。
通过业务优化解决长尾
虽然前面的优化策略有很多,但仍然不能解决所有问题。有时碰到的长尾问题,还需要从业务角度上去考虑是否有更好的解决方法。
- 实际数据可能包含非常多的噪音。例如,需要根据访问者的ID进行计算,看每个用户的访问记录的行为。需要先去掉爬虫的数据(现在的爬虫已越来越难识别),否则爬虫数据很容易在计算时长尾。类似的情况还有根据xxid进行关联的时候,需要考虑这个关联字段是否存在为空的情况。
- 一些业务特殊情况。例如:ISV的操作记录,在数据量、行为方式上会和普通个人有很大的区别。那么可以考虑针对大客户,使用特殊的分析方式进行单独处理。
- 数据分布不均匀的情况下,不要使用常量字段做Distribute by字段来实现全排序。
在文档使用中是否遇到以下问题
更多建议
匿名提交