讲师中心 微信公众号

工具推荐

视频效率加速
Laper
Laper

剧本策划到成片协作

Seko
Seko

AI短剧一键生成成片

AniShort
AniShort

AI短剧协同制作平台

updream

一键生成高质量推广成片

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

发布时间:2026-09-07 08:06:01

|

543人浏览过

|

来源于php中文网

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)。

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

热门AI工具

更多
DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

UpDream
UpDream Hot

一款AI视频创作工具,主要用于哔哩哔哩推出的自研AI视频创作工具,适合需要提升相关任务效率的用户。

函子Zion

一款支持AI搭建、可视化编辑和多端发布的全栈无代码开发平台。

墨刀AI
墨刀AI Hot

一款AI图像与设计工具,主要用于产品经理的专属智能体,适合需要提升相关任务效率的用户。

码上飞
码上飞 Hot

一款基于自然语言的AI应用开发平台,可根据用户描述自动生成应用程序,帮助个人和团队快速完成应用原型与开发。

切问学术

切问学术是一款AI论文写作工具,复旦大学NLP团队推出的AI学术智能体。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

Laper
Laper Hot

Laper是专为编剧、导演和制片人推出的 AI 原生剧本创作工具。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

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。

5043

2023.10.12

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。

1031

2023.10.27

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。

1329

2024.02.23

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。

7101

2024.03.06

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。

3743

2024.03.06

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。

7100

2024.04.07

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。

9941

2024.04.29

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。

1350

2024.04.29

Go-Zero API开发使用教程
Go-Zero API开发使用教程

本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。

120

2026.11.12

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
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn