原创｜Spark千亿级数据去重，性能优化踩坑之路

好久没有更新原创了

大家好，我是狗哥，今天给大家写一点干货，这次咱们就从0-1把思路给大家讲一下，这也是我同事在数据开发中踩过的坑，希望能帮助到大家。

先虚拟一个业务场景，方便大家思考

我举个例子，拿京东或者淘宝说吧，如果你的业务让你计算几个维度（广告位置、小时、广告类型等等吧，我就随便举个例子），每个维度的数据uv量级，方便业务评估和市场决策，数据精准度不要求完全精准，误差在1%以内就行了，你该如何做？

我们针对两个开发者思路，来跟大家梳理我们踩过的坑。

思路一，能跑就行，不关注性能

解决方式：直接count distinct

优势：应届生都会

弊端：数据去重性能差

计算性能：刚开始数据量少，4-6个小时可以出来，随着数据量增多运行时间 6-12个小时，业务对此非常不满意，早上来了看不到数据报表，需要等下午才产出，直接影响数据人员的口碑（老板开周会，肯定会diss做数据的，不能忍呀兄弟们，一定要精益求精！！！）。

思路二，用bitmap去重复

经过一番技术调研，发现用bitmap去重复，性能会很高，但设备id（imei、idfa） 不是数字，没有办法用bitmap，如果想用bitmap，需要把设备ID做hash计算，还得取绝对值，正数才行

解决方式：abs(hash(imei))

优势：bitmap去重复性能高效，数据计算性能降低到了40分钟，从之前的10个小时跑不出来，变成了40分钟可以运行出来，直接单车变摩托。

弊端：发现数据误差到了6%，排查发现，是数据设备ID在hash的时候会出现正负数，也就是两个设备他的hash值是正负对称的(举个例子：一个设备hash值 -1，一设备个hash值1)，两个设备取绝对值abs，会出现都等于1。

针对这个问题，狗哥给出了建议，就是先根据设备ID取模1000（这个数大家可以自己去根据数据量调试），进行设备ID分桶，这样的好处相同设备会分在同一个桶内，同时减少了hash值绝对值这之后相互影响的情况，然后每个分桶的u去重复uv再累加，这样下来，分维度的数据uv就会计算出来了，数据准确度到了0.03%，符合业务要求，同时数据性能稳定在40分钟左右。