Spark两种核心Shuffle(HashShuffle与sortShuffle)

SparkShuffle：

SparkShuffle概念

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。

HashShuffle:

HashShuffle是最开始存在Shuffle机制，在2.0版本以后就弃用了，下面我们了解一下。我们要知道有多少个reduce task就有多少个buffer

1）普通机制：

执行流程：

1. 每一个map task将不同结果写到不同的buffer中，每个buffer的大小为32K。buffer起到数据缓存的作用。
2. 每个buffer文件最后对应一个磁盘小文件。
3. reduce task来拉取对应的磁盘小文件。

存在问题：

     1. 小文件过多，耗时低效的IO操作 

     2.OOM，读写文件以及缓存过多

2）进行优化：

每个core中的所有task对应一个Buffler内存，这样就减少了落地小文件和IO开销，不过当reduce tast有好多的时候，显然进行优化的方式也不好，于是延伸出了sortBuffle

SortShuffle:

 SortShuffle的运行机制主要分成两种： 普通运行机制       bypass运行机制 

1）普通运行机制：

• 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，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。

2）bypass机制

比如reducebykey算子用的就是普通机制shuffle，sortbykey算子、repartition算子用的就是bypass机制