什么是数据倾斜？如何优化？

一、数据倾斜的定义与表现

数据倾斜是指在大规模数据处理系统中，数据分布严重不均匀的现象，导致某些计算节点负载远高于其他节点。这种现象在分布式计算框架（如Hadoop、Spark）和分布式数据库（如Hive、HBase）中尤为常见。

关键特征：少数节点处理了远超过平均值的任务量，形成系统瓶颈

go专栏：https://duoke360.com/tutorial/path/golang

典型表现场景

1. Join操作倾斜：关联键的值分布不均（如90%的订单来自10%的用户）
2. Group By倾斜：分组字段存在极高频值（如状态字段包含大量"未处理"记录）
3. 分区倾斜：分区策略不合理导致某些分区数据量过大
4. 采样倾斜：随机采样时恰好选中数据密集区域

二、数据倾斜的根本原因

2.1 数据分布特性

• 业务数据固有特性：如电商场景中头部用户产生绝大多数订单
• 数据生成过程偏差：日志采集时某些服务节点异常产生大量错误记录
• 数据分区策略缺陷：按日期分区但某些日期有促销活动

2.2 计算模型局限

-- 典型倾斜SQL示例
SELECT user_id, COUNT(*) 
FROM orders 
GROUP BY user_id  -- 当少量用户拥有大量订单时

三、数据倾斜优化方案

3.1 预处理阶段优化

数据重分布

• 加盐处理(Salting)：

  -- 原始倾斜键
  SELECT a.* FROM table_a a JOIN table_b b ON a.