怎样在Spark SQL中避免GROUP BY造成的全局Shuffle?

夏伟大大_2306

夏伟大大_2306

2026-09-07

543人浏览

原创

是的,GROUP BY 在 Spark SQL 中默认触发全局 Shuffle;因其需将相同 key 的所有行拉至同一 Executor 才能聚合,但可通过 map-side combine、过滤、加盐等优化减少数据量或缓解倾斜。

怎样在spark sql中避免group by造成的全局shuffle?

GROUP BY 一定会触发全局Shuffle吗?

是的,GROUP BY 在 Spark SQL 中默认会触发全局 Shuffle —— 因为必须把相同 key 的所有行拉到同一个 Executor 上才能聚合。这不是 bug,而是语义决定的。但“必须全局 shuffle”不等于“必须全局重分布全部原始数据”,关键在于能不能提前压缩、过滤或局部合并。

用 reduceByKey 替代 groupBy + map 聚合

很多人写 groupBy("user_id").agg(sum("amount")) 没问题,但若在 DataFrame 上手动转成 RDD 后写 groupByKey().mapValues(_.sum),就踩坑了:前者由 Catalyst 优化器自动转为带 map-side combine 的 shuffle,后者强制传输全量 value 到 reduce 端。

  • reduceByKey 在 map 端对每个分区内的相同 key 做预聚合(比如累加),大幅减少 shuffle 数据量
  • groupByKey 只分组、不计算,value 全量跨网络传输,极易 OOM
  • 即使你用的是 SQL,也要注意底层是否被优化:比如 SELECT user_id, SUM(amount) FROM t GROUP BY user_id 是安全的;但 SELECT user_id, collect_list(item) 就可能因 list 过大触发倾斜

小表聚合前先 filter 或 limit

如果 GROUP BY 前能显著减少数据量,shuffle 成本就直降。常见却被忽略的点:

  • 在 GROUP BY 前加 WHERE 过滤掉无效记录(比如 status != 'valid')
  • 对时间字段做分区裁剪(如 dt = '2026-09-05'),避免扫描全表
  • 如果只是取 TopN,用 ORDER BY ... LIMIT N 放在聚合后,不如先用 approx_count_distinct 或采样预估,再定向聚合
  • 注意:filter 后如果数据量骤减,记得接 coalesce 减少分区数,否则 200 个空分区仍会参与 shuffle 调度

数据倾斜时加盐(salting)不是万能,但得知道怎么加

当某个 key 占比 >10%(比如 user_id = 'unknown' 或 NULL),加盐是绕不过去的方案。但直接拼随机前缀容易出错:

  • 盐值不能太大,建议用 rand() * 10 取整,生成 0–9 的 salt,避免分区爆炸
  • 加盐后要保证同一逻辑 key 的所有 salt 分布均匀,例如:concat((cast(rand() * 10 as int) % 10), '_', user_id)
  • 聚合完必须用 substring(user_id_salt, 3) 或正则去掉前缀,否则结果多出 salt 字段
  • NULL key 必须单独处理——COALESCE(user_id, 'null_key') 再加盐,否则所有 NULL 仍撞到一个分区

加盐本质是把“单个热点 key”拆成多个“冷 key”,但它增加了 shuffle 分区数和后续去重成本。真正难的不是加盐动作本身,而是判断该不该加、加多少、以及如何验证倾斜是否缓解(看 Spark UI 中各 task 的 duration 和 input records 是否趋近)。

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
数据分析工具有哪些
数据分析工具有哪些

数据分析工具有Excel、SQL、Python、R、Tableau、Power BI、SAS、SPSS和MATLAB等。详细介绍:1、Excel,具有强大的计算和数据处理功能;2、SQL,可以进行数据查询、过滤、排序、聚合等操作;3、Python,拥有丰富的数据分析库;4、R,拥有丰富的统计分析库和图形库;5、Tableau,提供了直观易用的用户界面等等。

2023.10.12

5043

8

SQL中distinct的用法
SQL中distinct的用法

SQL中distinct的语法是“SELECT DISTINCT column1, column2,...,FROM table_name;”。本专题为大家提供相关的文章、下载、课程内容,供大家免费下载体验。

2023.10.27

1031

4

SQL中months_between使用方法
SQL中months_between使用方法

在SQL中,MONTHS_BETWEEN 是一个常见的函数,用于计算两个日期之间的月份差。想了解更多SQL的相关内容,可以阅读本专题下面的文章。

2024.02.23

1329

5

SQL出现5120错误解决方法
SQL出现5120错误解决方法

SQL Server错误5120是由于没有足够的权限来访问或操作指定的数据库或文件引起的。想了解更多sql错误的相关内容,可以阅读本专题下面的文章。

2024.03.06

7101

10

sql procedure语法错误解决方法
sql procedure语法错误解决方法

sql procedure语法错误解决办法:1、仔细检查错误消息;2、检查语法规则;3、检查括号和引号;4、检查变量和参数;5、检查关键字和函数;6、逐步调试;7、参考文档和示例。想了解更多语法错误的相关内容,可以阅读本专题下面的文章。

2024.03.06

3743

4

oracle数据库运行sql方法
oracle数据库运行sql方法

运行sql步骤包括:打开sql plus工具并连接到数据库。在提示符下输入sql语句。按enter键运行该语句。查看结果,错误消息或退出sql plus。想了解更多oracle数据库的相关内容,可以阅读本专题下面的文章。

2024.04.07

7100

11

sql中where的含义
sql中where的含义

sql中where子句用于从表中过滤数据,它基于指定条件选择特定的行。想了解更多where的相关内容,可以阅读本专题下面的文章。

2024.04.29

9941

6

sql中删除表的语句是什么
sql中删除表的语句是什么

sql中用于删除表的语句是drop table。语法为drop table table_name;该语句将永久删除指定表的表和数据。想了解更多sql的相关内容,可以阅读本专题下面的文章。

2024.04.29

1350

5

sql中删除一列的命令是什么
sql中删除一列的命令是什么

在sql中,使用alter table语句可以删除一列,语法为:alter table table_name drop column column_name。想了解更多sql的相关内容,可以阅读本专题下面的文章。

2024.04.29

1172

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
热门推荐
/
最新课程
phpStudy极速入门视频教程
phpStudy极速入门视频教程

共6课时 | 54.7万人学习

独孤九贱(4)_PHP视频教程
独孤九贱(4)_PHP视频教程

共89课时 | 134.3万人学习