spark shuff机制

 

 

 

 

 

 

 

 

不同点在于，图一是内存缓冲区满了写入到磁盘，还没有进行sort操作

 

 

 

 

spark  数据倾斜优化：

1. 使用etl预处理数据             （为了防止某些key数据量过大的问题，   对数据进行提前聚合或和其他的表进行join操作）指标不治本，还会出现数据的倾斜问题

2.过滤少数导致倾斜的 key  ，临界值，极点的问题

3.提高shuff的并行度     多个task执行一个key的数据，减少每个key面临的压力

4.将reduce join转化为 mapjoin      在join的一方数据比较小的时候使用， 广播变量加map算子实现join操作