[大数据]Spark Shuffle机制

Spark Shuffle

• 在MapReduce框架，Shuffle是连接Map和Reduce之间的桥梁，Map阶段通过shuffle读取数据并输出到对应的Reduce；而Reduce阶段负责从Map端拉取数据并进行计算。在整个shuffle过程中，往往伴随着大量的磁盘和网络I/O。所以shuffle性能的高低也直接决定了整个程序的性能高低。

一、HashShuffle机制

1.1 HashShuffle概述

Spark1.6版本之前使用的是HashShuffle。

Spark运行分为两个部分：一是驱动程序，核心是SparkContext；

? 二是Worker节点上的Task

程序运行的过程中，Driver和Executor进程相互交互，Driver会分配Task到Executor ，Task的数据要从上游的Task抓取。其中下一个Stage向上一个Stage要数据的这个过程就是Shuffle

• 未优化之前

1. 每一个ShuffleMapTask会为每一个ReduceTask创建一个bucket缓存和一个block文件（数据经过HashPartitioner之后找到对应的bucket）
2. ShuffleMapTask将输出作为MapStatus发送到DAGScheduler的MapOutputTrackerMaster，每一个MapStatus包含每一个ReduceTask要拉去的数据的位置和大小。
3. ReduceTask利用MapStatus提供的信息，将数据拉取过来。形成一个内部的ShuffleRDD

• 缺点

1. 数据量大的时候 会生成M*R个小文件
2. bucket缓存，要将所有的MapTask的数据写入到bucket才能刷写到磁盘，这样的话可能造成内存溢出；

• 优化之后

1. 每一个Excutor进程根据核数决定Task的并发数
2. ShuffleMapTask根据Task的数量创建R个bucket，按照key进行hash放到不同的bucket中（每一个bucket中对用一个block）
3. 下一个Task创建的时候，就不用再创建新的Bucket和Block直接复用之前的就行。

• 优缺点

1. 减少了小文件的数量（优点）
2. 如果Reduce端并行任务过多的话或者是数据分片过多的话，还有有很多的小文件产生

1.2 Sorted-Based Shuffle

目的：缓解Shuffle过程中小文件过多的问题

方法：引入类似于Hadoop的Map-Shuffle机制

1. 每一个ShuffleMapTask不会创建单独的文件，而是将所有的Task的结果写入到同一个文件，并且生成对应的索引文件。
2. 之前是所有的数据都要写入到内存（可能出现内存溢出），现在内存写不下的数据可以进行磁盘溢写

• Sort-Base Shuffle几种不同的策略：BypassMergeSortShuffleWrite。SortShuffleWriter和UnsafeSortShuffleWriter

  1. 对于BypassMergeSortShuffleWriter，使用这个模式特点：
  • 适用于Reducer任务 比较少的情况
  • 适用于处理不需要排序和聚合的Shuffle操作，数据直接写入文件
  • 将每一个分区写入到单独的文件，最后进行合并，减少文件的数量，但是需要并发打开多个文件，对内存的消耗比较大
  2. 对于SortShuffleWriter
  • 适用于数据量很大的场景或者是集群规模很大的场景
  • 引入外部排序器，可以支持在Map端进行本地聚合或者不聚合
  • 外部排序器enable了Spill功能，内存不够用的时候就会将数据溢写到本地磁盘，最后将本地磁盘和内存进行合并
  3. 对于UnsafeShuffleWriter由于需要谨慎使用，我们暂不做分析