Spark：Spark Shuffle 之SortShuffle

SparkShuffle

• reduceByKey会将上一个RDD中的每一个key对应的所有value聚合成一个value，然后生成一个新的RDD，元素类型是<key,value>对的形式，这样每一个key对应一个聚合起来的value。
• 问题：
  • 聚合之前，每一个key对应的value不一定都是在一个partition中，也不太可能在同一个节点上，因为RDD是分布式的弹性的数据集，RDD的partition极有可能分布在各个节点上。
• 如何聚合？
  • Shuffle Write：上一个stage的每个map task就必须保证将自己处理的当前分区的数据相同的key写入一个分区文件中，可能会写入多个不同的分区文件中。
  • Shuffle Read：reduce task就会从上一个stage的所有task所在的机器上寻找属于自己的那些分区文件，这样就可以保证每一个key所对应的value都会汇聚到同一个节点上去处理和聚合。

SortShuffle

1、普通机制

• 执行流程
  1、map task 的计算结果会写入到一个内存数据结构里面，内存数据结构默认是 5M 。
  2、在 shuffle 的时候会有一个定时器，不定期的去估算这个内存结构的大小，当内存结构中的 数据超过 5M 时，比如现在内存结构中的数据为 5.01M ，那么他会申请 5.01*2-5=5.02M 内存给内存数据结构。
  3、如果申请成功不会进行溢写，如果申请不成功，这时候会发生溢写磁盘。
  4、在溢写之前内存结构中的数据会进行排序分区
  5、然后开始溢写磁盘，写磁盘是以 batch 的形式去写（批量），一个 batch 是1万条数据。
  6、map task 执行完成后，会将这些 磁盘小文件 合并成一个大的磁盘文件，同时生成一个 索引文件 。
  7、reduce task 去 map 端拉取数据的时候，首先解析索引文件，根据索引文件再去拉取对应的数据。
• 生成文件个数
  产生磁盘小文件的个数： 2*M（map task的个数）

2、bypass机制

• bypass 运行机制的触发条件如下：
  1、shuffle reduce task 的数量小于 spark.shuffle.sort.bypassMergeThreshold 的参数
  值。这个值默认是 200 。
  2、不需要进行 map 端的预聚合，比如 groupBykey , join 。
• 生成文件个数
  产生的磁盘小文件为： 2*M（map task的个数） 。

Shuffle文件寻址

1、名词解释

1. MapOutputTracker
       MapOutputTracker 是 Spark 架构中的一个模块，是一个主从架构。管理磁盘小文件的地址。
       MapOutputTrackerMaster 是主对象，存在于 Driver 中。
       MapOutputTrackerWorker 是从对象，存在于 Excutor 中。
2. BlockManager
       BlockManager ：块管理者，是 Spark 架构中的一个模块，也是一个主从架构。
       BlockManagerMaster ,主对象，存在于Driver中。
       BlockManagerWorker ，从对象，存在于Excutor中。
           1. BlockManagerMaster 会在集群中有用到广播变量和缓存数据或者删除缓存数据的时候，通知BlockManagerSlave 传输或者删除数据。
           2. BlockManagerWorker ，从对象，存在于 Excutor 中。
           3. BlockManagerWorker 会与 BlockManagerWorker 之间通信。
       无论在 Driver 端的 BlockManager 还是在 Excutor 端的 BlockManager 都含有四个对象：
           1. DiskStore ：负责磁盘的管理。
           2. MemoryStore ：负责内存的管理。
           3. · ：负责连接其他的 BlockManagerWorker 。
           4. BlockTransferService ：负责数据的传输。

2、Shuffle 文件寻址流程

1、当map task 执行完成后，会将task的执行情况和磁盘小文件的地址 封装到 MapStatus 对象中，然后由MapOutputTrackerWorker对象向Driver中的MapOutputTrackerMaster汇报
2、在所有的 map task任务执行完毕后，Driver中就掌握了所有的磁盘小文件的地址
3、在reduce task执行之前，会通过Excutor中的MapOutputTrackerWorker向Driver端的MapOutputTrackerMaster获取磁盘小文件的地址。
4、获取到磁盘小文件的地址后，会通过BlockManager中的ConnectionManager连接数据所在节点上的ConnectionManager，然后，通过 BlockTransferService进行数据的传输
5、BlockTransferService默认启动5个task去节点拉取数据。默认情况下，5个task拉取数据量不能超过48M.

至于详细的 任务调度 ：可点击查看

over 感谢观看！