阿里妹导读

本文描述了大数据处理任务（特别是涉及大量JOIN操作的任务）中遇到的性能瓶颈问题及其优化过程。

一、背景

一句话介绍背景

二、快速止血

2.1、耗时卡点定位

先来看看这个让人头疼的慢节点，长什么样子？让我看看你是何方神圣。

告辞告辞......

从DAG图怕是很难看出问题，还是先按照latency对各个节点做降序排列，看看到底是在什么地方耗时最多。

几个join任务都是时长杀手，动辄半小时以上。

接下来点进几个耗时top的join任务，有两个发现：

1、或多或少都有数据倾斜现象。

2、多个非倾斜节点运行时间也比较长（30min～1h不等）。

到此为止，我们可以给出初步结论：任务运行耗时过长，是数据倾斜 + join任务资源不足两个原因共同导致的。

2.2、快速止血方案

1、针对join任务资源不足：

提高join任务的资源分配

set odps.sql.joiner.instances = 6000; -- 从原来的2000个instances提到6000个

2、针对数据倾斜：

因为宽表代码中，主表是流量/成交/ipv等事实详单数据，join的右表都是标签类维表（主键唯一），所以可以判断倾斜一定是发生在左表上。对左表的关联key进行汇总统计。

按照用户id做汇总统计

倾斜热点主要是由空值带来的，这种情况比较好处理，直接对空值加随机值打散就好。

-- 原join关联代码select ...from ( select visitor_id, -- 用户id ... from 流量日志表 ) t1 left join t2 -- 标签维表on t1.visitor_id = t2.visitor_id -- 加随机值打散joinselect ...from ( select coalesce(cast(user_id as string), concat('rand_salt_value_', substr(cast(rand() as string), 3, 5))) as visitor_id_salt, --空值用随机值填补 ... from 流量日志表 ) t1 left join t2 -- 标签维表on t1.visitor_id_salt = t2.visitor_id -- 避免Null值热点的影响

在完成这两步简单快速止血操作后，重跑任务可以发现，运行时间可以节省1h以上，已经初见成效了。但是只做到这些是远远不够的，想进一步提高产出效率，需要更深入地剖析代码，梳理可优化点。

三、代码结构梳理

3.1、主干链路梳理

想从DAG图里梳理清楚数据加工链路，已经是不现实的了，只能回到SQL代码里，看看实现了哪些逻辑，再来寻找切入点。我们忽略掉代码中关于指标加工/格式转化/字段拼接等部分，只看数据表的结构加工和数据流向，大概可以梳理出这样一条主干链路。

宽表任务主干链路

梳理清楚加工链路之后，可以看出来该任务整体上可以划分成两部分：

1、多张事实表的合并（union all），包括流量表/成交表/IPV表/互动点赞表等每日的活跃日志数据等。

2、合并后的事实表作为主表，依次关联（left join）不同维度的标签表，例如用户维表/商品维表/内容维表等。

3.2、存在问题

梳理完代码主干链路之后，可以看出来加工逻辑并不复杂，其实就是做了详单事实表和多张维度标签表的汇总拼接，产出一张字段较全的大宽表。接下来简单分析一下这个任务里存在哪些问题。

1、计算堆积

首先造成任务产出较晚的最直接的原因，就是计算堆积。该节点引用了不少外部空间视图，并且这些视图不是简单的 “select * from xxx;” 形式的的简单语句，而是包含了多张表进行join的逻辑。这就导致了，虽然视图相关的上游表早早就产出了，但视图DDL内包含的计算任务，却落到了该节点上，造成该节点计算量的堆积。

类似地，部分子查询中多表join的计算，也是同理。

2、数据倾斜

在定位耗时卡点的时候我们已经发现了空值带来的倾斜问题，并且做了加盐打散的方法来快速止血。但事实上，分析了多个日期分区的数据发现，除了空值以外，偶尔还会出现部分热点用户/热点主播/热点内容带来的数据倾斜（更要命的是，这些热点值每天都不相同）。虽然倾斜程度不如空值带来的影响严重，但仍然对计算任务造成了一定阻塞。

3、回刷成本高昂

除了上面两个比较明显的问题以外，我们翻看该节点的历史发布记录，可以发现140多个发布版本，有至少一半以上的变更内容是和埋点参数解析相关的。针对埋点解析正确性的验证，往往需要补数据回刷确认，单一节点动辄6、7个小时的回刷成本，给数据验证也带来了不小的麻烦。

四、优化方案

明确了任务中存在的问题，我们的优化目标就非常清晰了：

1、提早产出：越早越好

2、回刷方便：越快越好

3、节省资源：越少越好

4.1、视图落表&节点拆分

优化的第一步，也是最简单的一步，就是将节点中涉及到的视图进行物化落表，并让我们的慢节点任务，从调用视图变成调用实体表。这一步的操作主要是为了缓解计算堆积的问题，让一部分可以提前进行的计算，尽早进行调度，不必等到大宽表所有的上游依赖都产出之后再开始。

直接引用视图：视图中的计算逻辑堆积到大宽表任务中，增加了运行时间（绿色：上游任务；蓝色：大宽表慢任务）。

视图落表：视图中的计算逻辑提前算好，缓解大宽表节点的计算压力

类似地，我们也可以对部分子查询中的逻辑进行封装落表，拆分成多个节点的方式来把计算压力分散，提早进行调度。这样不仅减轻了大宽表节点的计算压力，也让logview中的DAG图更加清晰明了，方便针对性地进行优化和调参。

4.2、前置裁剪

第二步就是解决数据倾斜的问题。对于非空值的数据倾斜，比较通用的做法有两种：mapjoin和skewjoin。

先说skewjoin，我们这种热点变动的场景（每日流量不一定有热点，热点数量和热点值也不确定），没办法准确指定热点key值，贸然使用skewjoin的话，每日动态获取重复行数top的热值计算，会产生额外资源和时间消耗，收益性价比并不高。

接下来考虑mapjoin。如果join的右表比较小，可以放到内存中，那么使用mapjoin无疑是最优的，这样可以避免大表数据的全量shuffle（在我们这个场景里，左表有几十亿行，TB量级的数据，shuffle成本还是比较高昂的），大幅提升join效率。但是很不幸，我们这里join的右表都不是省油的灯，数据量远超mapjoin能容纳的内存上限（维表行数在几亿～百亿之间不等），直接mapjoin是行不通的。

直接mapjoin走不通并不代表无计可施，通过count distinct 左表的关联key数量，我们发现虽然作为右表的标签维表数据量非常庞大，但最后关联上左表的部分只有非常小的占比（1%～5%）。

全量标签表B中只有一小部分B'实际关联到了左表A

因此，我们优化的方向就是尽量避免无用部分（B-B'）参与计算。这种情况我们可以采取两次mapjoin的方式，先对数据行进行前置裁剪后，再完成join关联。

-- 关联前进行裁剪with TMP as -- 获取当日活跃的关联key ( select user_id from A group by user_id )select /*+ mapjoin(B1) */ -- 裁剪后的维表，数据量能降低2个数量级，这时使用mapjoin变为可行 ...from Aleft join ( select /*+ mapjoin(TMP) */ -- 活跃key数据量相对较小，可以使用mapjoin裁剪 ... from B inner join TMP -- 根据活跃key进行裁剪，缩小行数 on B.user_id = TMP.user_id ) B1on A.user_id = B1.user_id;

裁剪后的右表数据量大大减少，部分维表此时已经可以满足mapjoin的使用条件了。这时候使用mapjoin关联回主表，自然能解决数据倾斜的问题，同时运行效率大幅提升。

相比直接的Join来说，虽然这种方案增加了计算当日活跃key的步骤（group by），但是通过两次mapjoin规避掉了右表数据中 B-B' 部分的全量排序过程，节省了Disk IO耗时，从而大大提高了join效率。

4.3、中表关联

虽然通过前置裁剪大幅缩减了join右表的数据量，但是并不是所有的右表通过裁剪之后都能放到mapjoin里，像用户标签/内容标签/粉丝标签这些维表，缩减后仍然有几千万行（几十G）的数据量，使用普通join直接关联，耗时仍然较高。

关于较大表之间的join优化，我们可以考虑采用分桶的方案，按照关联key对数据分桶后再来join。但是在这个场景里，需要关联的右表较多，并且关联key都不相同，分桶聚簇键不好设置，分桶join带来的性能提升收益并不明显。

万幸，我们发现ODPS的Distributed Mapjoin可以完美解决我们的困境。我们左表（几十亿行数据，TB量级）远大于需要关联的右表（几千万行数据，百GB左右），符合Distributed Mapjoin使用场景。所以我们对于裁剪后无法使用mapjoin的维表，改为使用distmapjoin来关联。

使用distmapjoin时，有两个参数需要配置：shard_count和replica_count，官方文档中已经有比较明确的推荐参数计算方式了：

Shard

即分片。小表数据分片到各个计算节点处理。shard_count过大会导致client端读取的时候访问过多的server，性能和稳定性受影响；shard_count过小，会导致单个worker内存使用过多报错。

在当前版本中，shard_count值建议手动指定。shard_count值可以根据小表数据量来大致估算。预估一个shard处理的数据量范围是[200M, 500M]。shard_count值最好取质数，简单也可以取奇数。

未来我们会支持shard count的自动计算和调整。

Replica

副本数。为了减少访问压力以及避免单个worker失效导致整个任务失败，同一个shard的数据，可以有多个副本。默认为1，当client端并发过多，或者环境不稳定导致server端频繁重启，可以适当提高replica_count为2或者3。

shard和replica共同决定service端的并发度：并发度 = shard_count * replica_count。

而从我们的节点多次测试对比下来，replica_count设置为2，shard_count设置为：小于 [ 中表mapper输出数据大小 / 200M ] 的最大质数，能够取得兼顾性能与稳定性的较优效果。

4.4、最终优化方案

经过了上面三步优化，我们基本解决了数据关联耗时较长的问题，产出时效有了比较明显的提升，同时也规避掉了部分冗余无用的计算，节约了计算资源。但是做到这样就够了么？回想我们当初想解决的三个问题：计算堆积、数据倾斜、回刷成本高昂。

对没错，针对回刷成本高昂的问题，我们不妨顺手也解决掉，把宽表节点拆分成两部分：关联维表进行标签补全的部分（中间临时表）、埋点解析&字段格式处理的部分（叶子结点）。这样拆分之后，在数据结构没有较大调整的情况下，未来新增埋点参数解析类的需求，只需要变更回刷相对简单的叶子结点即可，无需回刷join关联的部分，从而减少了回刷成本。

优化后的整体数据加工链路

五、效果对比

优化方案上线后，宽表产出时间从下午一点左右，提早到了早上八点半左右，节省4h+。

六、总结

复杂odps任务，就像在书包里沉睡了一周的耳机线，想优化就需要耐心找到耗时较长的卡点并一一解决。但更重要的是，从设计开发之初就应该尽量避免在单任务中写耦合度较高的代码，尽量保持单个任务的简单明了，这样不仅能保证代码的运行效率，也能提升代码可读性，降低运维成本。