1、适当提高reducer端的并行度

适用场景：

如果某个 Task 有 100个 Key ·且数据量特别大，就极有可能导致 OOM 或者任务运行特别慢，此时如果把并行度变大，则可以分解
该 Task 的数据量，例如，把原本 Task 的 100 个 Key 分解给 10 个 Task，这就可以减少每个 Task 的数据量，从而有可能解决 OOM 和任务运行慢的问题 。

2、使用随机 Key 实现双重聚合（reducebykey）

使用对 Key 值随机数前缀的处理技巧 ， 对 Key 值进行二次聚合。
(1 ）第 一 次聚合（局部聚合） ： 对每个 Key 值加上一个随机数 ，执行第一次 reduceByKey聚合操作。
(2 ）第 二 次聚合（双重聚合） ： 去掉 Key 值 的前缀随机数 ，执行第二次 reduceByKey 聚合，最终得到全局聚合的结果。
适用场景：

随机 Key 适用于 groupByKey、 reduceByKey 等算子操作数据时某些 Key 值发生数据倾斜的情况。例如 ， 电商广告点击系统中 ，如果根据用户点击的省份进行汇聚 ， 原来的 Key 值是省份，如果某些省份的 Value 值特别多 ， 发生 了 数据倾斜 ， 可以将每个 Key 拆分成多个Key ，加上随机数前缀将 Key 值打散 ， 组拼成 random＿省份的新的 Key 值 ，调用 reduceByKey做局部聚合，然后再将 random一前缀去掉，形成的 Key 值仍为省份，再调用 reduceByKey,进行全局聚合。

3、首先对倾斜的 Keys 采样后进行单独的 Join 操作

适用场景：

两个 RDD 进行 Join 操作 ，如果一个rdd 有严重的数据倾斜，那我们可以通过采样的方式发现 RDDI 中有严重的数据倾斜的 Key ， 然后将原来一个 RDDl 拆分成 RDDll C产生倾斜 Key 的数据〉和 RDD12 C不产生倾斜 Key 的数据），把 RDDI l 、 RDD1 2 分别和 RDD2进行 Joi n 操作， 然后把 Join 操作后的结果进行 Union 操作 。

原理：

如果 RDDl l 中的数据量特别多 ，此时之所以能够缓解数据倾斜，是因为采用了 Spark Core 天然的并行机制对 RDDl 1 中的同样一个 Key 的数据进行了拆分，从而达到让原本倾斜的 Key 分散到不同的 Task 的目的，就缓解了数据倾斜。