目录
判断是否存在数据倾斜
数据倾斜的解决
keyBy 后的聚合操作存在数据倾斜
为什么不能直接用二次聚合来处理
使用 LocalKeyBy 的思想
DataStream API 自定义实现的案例
keyBy 之前发生数据倾斜
keyBy 后的窗口聚合操作存在数据倾斜
实现思路
提交原始案例
提交两阶段聚合的案例
总结
在大数据流式处理的场景中，Apache Flink 发挥着极为重要的作用。然而，数据倾斜问题就像隐藏在暗处的绊脚石，常常会对 Flink 作业的性能产生严重影响，导致任务执行效率低下、资源利用不均衡等状况。了解如何精准判断数据倾斜是否存在，并掌握有效的解决策略，对于保障 Flink 作业的平稳、高效运行意义重大。无论是开发人员还是运维人员，都需要深入探究这一关键问题，以便更好地应对实际工作中可能遇到的各种挑战，让我们一同走进 Flink 数据倾斜相关内容的学习。
判断是否存在数据倾斜
相同 Task 的多个 Subtask 中，个别 Subtask 接收到的数据量明显大于其他 Subtask 接收到的数据量，通过 Flink Web UI 可以精确地看到每个 Subtask 处理了多少数据，即可判断出 Flink 任务是否存在数据倾斜。通常，数据倾斜也会引起反压。
另外，有时 Checkpoint detail 里不同 SubTask 的 State size 也是一个分析数据倾斜的有用指标。
数据倾斜的解决
keyBy 后的聚合操作存在数据倾斜
提交案例：
bin/flink run \
-t yarn-per-job \
-d \
-p 5 \
-Drest.flamegraph.enabled=true \
-Dyarn.application.queue=test \
-Djobmanager.memory.process.size=1024mb \
-Dtaskmanager.memory.process.size=2048mb \
-Dtaskmanager.numberOfTaskSlots=2 \
-c com.atguigu.flink.tuning.SkewDemo1 \
/opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar \
--local-keyby false
查看 webui：
为什么不能直接用二次聚合来处理
Flink 是实时流处理，如果 keyby 之后的聚合操作存在数据倾斜，且没有开窗口（没攒批）的情况下，简单的认为使用两阶段聚合，是不能解决问题的。因为这个时候 Flink 是来一条处理一条，且向下游发送一条结果，对于原来 keyby 的维度（第二阶段聚合）来讲，数据量并没有减少，且结果重复计算（非 FlinkSQL，未使用回撤流），如下图所示：
使用 LocalKeyBy 的思想
在 keyBy 上游算子数据发送之前，首先在上游算子的本地对数据进行聚合后，再发送到下游，使下游接收到的数据量大大减少，从而使得 keyBy 之后的聚合操作不再是任务的瓶颈。类似 MapReduce 中 Combiner 的思想，但是这要求聚合操作必须是多条数据或者一批数据才能聚合，单条数据没有办法通过聚合来减少数据量。从 Flink LocalKeyBy 实现原理来讲，必然会存在一个积攒批次的过程，在上游算子中必须攒够一定的数据量，对这些数据聚合后再发送到下游。
实现方式：
- DataStreamAPI 需要自己写代码实现
- SQL 可以指定参数，开启 miniBatch 和 LocalGlobal 功能（推荐，后续介绍）
DataStream API 自定义实现的案例
以计算每个 mid 出现的次数为例，keyby 之前，使用 flatMap 实现 LocalKeyby 功能
import org.apache.flink.api.common.functions.RichFlatMapFunction;
import org.apache.flink.api.common.state.ListState;
import org.apache.flink.api.common.state.ListStateDescriptor;
import org.apache.flink.api.common.typeinfo.Types;
import org.apache.flink.api.java.tuple.Tuple2;
import org.apache.flink.runtime.state.FunctionInitializationContext;
import org.apache.flink.runtime.state.FunctionSnapshotContext;
import org.apache.flink.streaming.api.checkpoint.CheckpointedFunction;
import org.apache.flink.util.Collector;import java.util.HashMap;
import java.util.Map;
import java.util.concurrent.atomic.AtomicInteger;public class LocalKeyByFlatMapFunc extends RichFlatMapFunction<Tuple2<String, Long>, Tuple2<String, Long>> implements CheckpointedFunction {//Checkpoint 时为了保证 Exactly Once，将 buffer 中的数据保存到该 ListState 中private ListState<Tuple2<String, Long>> listState;//本地 buffer，存放 local 端缓存的 mid 的 count 信息private HashMap<String, Long> localBuffer;//缓存的数据量大小，即：缓存多少数据再向下游发送private int batchSize;//计数器，获取当前批次接收的数据量private AtomicInteger currentSize;//构造器，批次大小传参public LocalKeyByFlatMapFunc(int batchSize) {this.batchSize = batchSize;}@Overridepublic void flatMap(Tuple2<String, Long> value, Collector<Tuple2<String, Long>> out) throws Exception {// 1、将新来的数据添加到 buffer 中Long count = localBuffer.getOrDefault(value, 0L);localBuffer.put(value.f0, count + 1);// 2、如果到达设定的批次，则将 buffer 中的数据发送到下游if (currentSize.incrementAndGet() >= batchSize) {// 2.1 遍历 Buffer 中数据，发送到下游for (Map.Entry<String, Long> midAndCount : localBuffer.entrySet()) {out.collect(Tuple2.of(midAndCount.getKey(), midAndCount.getValue()));}// 2.2 Buffer 清空，计数器清零localBuffer.clear();currentSize.set(0);}}@Overridepublic void snapshotState(FunctionSnapshotContext context) throws Exception {// 将 buffer 中的数据保存到状态中，来保证 Exactly OncelistState.clear();for (Map.Entry<String, Long> midAndCount : localBuffer.entrySet()) {listState.add(Tuple2.of(midAndCount.getKey(), midAndCount.getValue()));}}@Overridepublic void initializeState(FunctionInitializationContext context) throws Exception {// 从状态中恢复 buffer 中的数据listState = context.getOperatorStateStore().getListState(new ListStateDescriptor<Tuple2<String, Long>>("localBufferState",Types.TUPLE(Types.STRING, Types.LONG)));localBuffer = new HashMap();if (context.isRestored()) {// 从状态中恢复数据到 buffer 中for (Tuple2<String, Long> midAndCount : listState.get()) {// 如果出现 pv!= 0,说明改变了并行度，ListState 中的数据会被均匀分发到新的 subtask中// 单个 subtask 恢复的状态中可能包含多个相同的 mid 的 count数据// 所以每次先取一下buffer的值，累加再putlong count = localBuffer.getOrDefault(midAndCount.f0, 0L);localBuffer.put(midAndCount.f0, count + midAndCount.f1);}// 从状态恢复时，默认认为 buffer 中数据量达到了 batchSize，需要向下游发currentSize = new AtomicInteger(batchSize);} else {currentSize = new AtomicInteger(0);}}
}
提交 localkeyby 案例：
bin/flink run \
-t yarn-per-job \
-d \
-p 5 \
-Drest.flamegraph.enabled=true \
-Dyarn.application.queue=test \
-Djobmanager.memory.process.size=1024mb \
-Dtaskmanager.memory.process.size=2048mb \
-Dtaskmanager.numberOfTaskSlots=2 \
-c com.atguigu.flink.tuning.SkewDemo1 \
/opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar \
--local-keyby true
查看 webui：
可以看到每个 subtask 处理的数据量基本均衡，另外处理的数据量相比原先少了很多。
keyBy 之前发生数据倾斜
如果 keyBy 之前就存在数据倾斜，上游算子的某些实例可能处理的数据较多，某些实例可能处理的数据较少，产生该情况可能是因为数据源的数据本身就不均匀，例如由于某些原因 Kafka 的 topic 中某些 partition 的数据量较大，某些 partition 的数据量较少。对于不存在 keyBy 的 Flink 任务也会出现该情况。
这种情况，需要让 Flink 任务强制进行 shuffle。使用 shuffle、rebalance 或 rescale 算子即可将数据均匀分配，从而解决数据倾斜的问题。
keyBy 后的窗口聚合操作存在数据倾斜
因为使用了窗口，变成了有界数据（攒批）的处理，窗口默认是触发时才会输出一条结果发往下游，所以可以使用两阶段聚合的方式：
实现思路
- 第一阶段聚合：key 拼接随机数前缀或后缀，进行 keyby、开窗、聚合
注意：聚合完不再是 WindowedStream，要获取 WindowEnd 作为窗口标记作为第二阶段分组依据，避免不同窗口的结果聚合到一起） - 第二阶段聚合：按照原来的 key 及 windowEnd 作 keyby、聚合
提交原始案例
bin/flink run \
-t yarn-per-job \
-d \
-p 5 \
-Drest.flamegraph.enabled=true \
-Dyarn.application.queue=test \
-Djobmanager.memory.process.size=1024mb \
-Dtaskmanager.memory.process.size=2048mb \
-Dtaskmanager.numberOfTaskSlots=2 \
-c com.atguigu.flink.tuning.SkewDemo2 \
/opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar \
--two-phase false
查看 WebUI：
提交两阶段聚合的案例
bin/flink run \
-t yarn-per-job \
-d \
-p 5 \
-Drest.flamegraph.enabled=true \
-Dyarn.application.queue=test \
-Djobmanager.memory.process.size=1024mb \
-Dtaskmanager.memory.process.size=2048mb \
-Dtaskmanager.numberOfTaskSlots=2 \
-c com.atguigu.flink.tuning.SkewDemo2 \
/opt/module/flink-1.13.1/myjar/flink-tuning-1.0-SNAPSHOT.jar \
--two-phase true \
--random-num 16
查看 WebUI：可以看到第一次打散的窗口聚合，比较均匀
第二次聚合，也比较均匀：
随机数范围，需要自己去测，因为 keyby 的分区器是（两次 hash * 下游并行度 / 最大并行度）
SQL 写法参考：https://zhuanlan.zhihu.com/p/197299746
总结
本文聚焦 Flink 数据倾斜这一关键要点，系统地介绍了判断与解决相关问题的重要知识。
在判断数据倾斜方面，明确指出可依据 Flink Web UI 中 Subtask 的数据处理量差异，以及 Checkpoint detail 里 SubTask 的 State size 情况来判断是否存在数据倾斜，为及时发现问题提供了有效途径。
而在解决数据倾斜问题上，针对 keyBy 后的聚合操作存在倾斜，介绍了通过代码实现（如 DataStreamAPI 自定义代码及 SQL 开启相关功能）来均衡数据量；对于 keyBy 之前发生倾斜，利用 shuffle、rebalance 或 rescale 算子强制数据均匀分配；keyBy 后的窗口聚合操作倾斜时，则采用两阶段聚合的方式，详细说明了各阶段的操作要点及注意事项，并给出相应案例查看效果。
总之，掌握这些数据倾斜相关的判断方法与解决策略，能帮助使用者更好地优化 Flink 作业，提升整体性能，避免因数据倾斜带来的诸多不良影响，保障数据处理工作顺利开展。