怎样在Spark SQL中优化倾斜键的GROUP BY聚合性能?

冬涛君_4819

冬涛君_4819

2026-11-16

627人浏览

原创

优先启用AQE自动倾斜处理并配合手动加盐兜底;确认GROUP BY倾斜需检查SQL结果中top key计数是否百倍超标,以及Spark UI中对应task是否耗时异常、shuffle read量激增;仅调大spark.sql.shuffle.partitions无效,因倾斜key仍集中于同一分区。

怎样在spark sql中优化倾斜键的group by聚合性能?

直接结论:优先开 AQE 自动倾斜处理,配合手动加盐兜底;别只调 spark.sql.shuffle.partitions,它对倾斜 key 无效。

怎么确认是 GROUP BY 倾斜?

看两处:一是 SQL 执行完后跑 SELECT key, COUNT(*) AS cnt FROM tbl GROUP BY key ORDER BY cnt DESC LIMIT 20,如果某个 key 的 cnt 是其他 key 的百倍以上(比如普遍 2k~5k,某 device_id 突然到 300 万),基本坐实;二是 Spark UI 的 “SQL” 页签里,某个 task 耗时远高于其余(卡在 99%、OOM、executor 报 java.lang.OutOfMemoryError),且该 task 对应的 shuffle read 数据量异常高。

为什么不能只调大 spark.sql.shuffle.partitions?

这个参数只是控制 shuffle 分区总数,默认 200。把它改成 2000,确实让平均每个分区数据变少,但倾斜 key 仍全部落在同一个 partition——它占全量 80%,那 2000 个分区里,仍有约 1600 个空转,剩下 400 个争抢处理这 80% 数据。资源浪费没缓解,最大 task 耗时也没降。

常见误操作:

  • 以为“分得越细越均匀”,结果 shuffle 量暴增、小 task 大量堆积
  • 改了参数却没重跑 job,或只改了 client 模式下的 session 配置,集群实际未生效

Spark 3.5 中开 AQE 自动处理 GROUP BY 倾斜要配什么?

AQE 在 3.5 已稳定支持 GROUP BY 倾斜检测与分裂,但必须同时启用两个开关:

spark.sql.adaptive.enabled=true
spark.sql.adaptive.skewedJoin.enabled=true(注意:名字含 Join,但它实际覆盖 Aggregate 类 operator)

不启用后者,AQE 就不会拆分倾斜 group key。另外建议顺手打开:spark.sql.adaptive.coalescePartitions.enabled=true,避免因打散后产生大量小 partition 拖慢后续 stage。

手动加盐做两阶段聚合的关键细节

当 AQE 检测失败、或需精准控制倾斜 key 时,才上手写加盐逻辑。核心是避免 RAND() 多次调用导致同一原始 key 被拆成不同盐值、漏统计:

  • 盐值计算只写一次,用 CASE WHEN 包裹后,在 GROUP BY 和外层 SELECT 中复用
  • 随机范围设为 10~50,例如 FLOOR(RAND() * 20);太小打散不足,太大让本不倾斜的小 key 也被误拆
  • 多个倾斜 key 合并判断:WHEN key IN ('k1', 'k2', 'k3'),别嵌套一堆 OR
  • 盐前缀用下划线连接:CONCAT(key, '_', salt_val),避免和原始 key 冲突(比如 key 本身是 "123",盐值是 45,拼成 "12345" 就可能撞上真实 key)

容易被忽略的点:加盐只应对真正倾斜的 key,不是所有 key 都加;否则 shuffle 量无谓放大,小 key 反而变慢。

数码产品性能查询
数码产品性能查询

该软件包括了市面上所有手机CPU,手机跑分情况,电脑CPU,电脑产品信息等等,方便需要大家查阅数码产品最新情况,了解产品特性,能够进行对比选择最具性价比的商品。

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
大数据分析工具有哪四个
大数据分析工具有哪四个

大数据分析的四个工具分别是rapidminer、Hpcc、Hadoop和Pentaho bi。大数据分析用于从各种来源生成的原始数据中提取有价值的数据。这些数据帮助我们获得有意义的见解、隐藏的模式、未知的相关性、市场趋势等等,具体取决于行业。大数据分析的主要动机是提供有价值的见解,以便为未来做出更好的决策。php中文网为大家带来了大数据分析的相关教程、以及相关文章等内容,供大家免费下载使用。

2023.06.21

6496

5

Java 大数据处理基础(Hadoop 方向)
Java 大数据处理基础(Hadoop 方向)

本专题聚焦 Java 在大数据离线处理场景中的核心应用,系统讲解 Hadoop 生态的基本原理、HDFS 文件系统操作、MapReduce 编程模型、作业优化策略以及常见数据处理流程。通过实际示例(如日志分析、批处理任务),帮助学习者掌握使用 Java 构建高效大数据处理程序的完整方法。

2025.12.08

1269

12

大数据专业学习教程
大数据专业学习教程

本专题整合了大数据专业学习相关教程,阅读专题下面的文章了解更多详细内容。

2026.01.05

243

5

python处理大数据合集
python处理大数据合集

本专题整合了python处理大数据相关教程,阅读专题下面的文章了解更多详细内容。

2026.01.05

546

22

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

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