20【在线日志分析】之记录一次Spark Streaming+Spark SQL的数据倾斜

1.现象

三台机器都有产生executor，每台都会产生tasks，但是其中只有一台的task有input数据，其他机器的tasks都没有数据。



2.猜想
2.1是不是数据倾斜?
是

2.2是数据量过大，group by时，导致key分布不均?
比如key1 有98万，key2有2万,那么shuffle时，肯定数据倾斜。但是我刚开始数据量不是很大，所以pass  （就算数据量大，也很简单处理，一般处理时key加上随机前缀数）

2.3是不是数据量太少 不够分区的？
也怀疑过，不过还没去验证

2.4 flume流到kafka，是snappy压缩格式，而spark作为kafka的消费者，虽然能够自动识别压缩格式，但是这种snappy格式不支持切分
也怀疑过，不过还没去修改支持spilt的压缩格式，也还没去验证

2.5 spark streaming分区数目是有谁决定的?
使用direct这种模式是由kafka的分区数目决定，
使用receiver这种模式由流的数目决定也就是由receiver数目决定。

3.修改分区数
[[email protected] kafka]#bin/kafka-topics.sh --alter  --zookeeper 172.16.101.58:2181,172.16.101.59:2181,172.16.101.60:2181/kafka --topic logtopic --partitions 3
[[email protected] kafka]# bin/kafka-topics.sh --describe --zookeeper 172.16.101.58:2181,172.16.101.59:2181,172.16.101.60:2181/kafka --topic logtopic
Topic:logtopic      PartitionCount:3        ReplicationFactor:3     Configs:
        Topic: test     Partition: 0    Leader: 3       Replicas: 3,1,2 Isr: 3,1,2
        Topic: test     Partition: 1    Leader: 1       Replicas: 1,2,3 Isr: 1,2,3
        Topic: test     Partition: 2    Leader: 2       Replicas: 2,3,1 Isr: 2,3,1
[[email protected] kafka]#

4.验证(每个executor都有input数据)