Spark Shuffle及其调优

Shuffle概述

  在MapReduce和Spark中都有Shuffle。对于MapReduce框架，Shuffle是连接Map和Reduce之间的桥梁，将Map阶段读取的数据进行Shuffle操作并输出到对应的Reduce，Reduce进行计算。MapReduce的Shuffle过程如图所示。

Shuffle实质上是对数据进行重组，在整个Shuffle过程中，往往伴随着大量的磁盘和网络I/O，因此Shuffle性能的高低也直接决定了整个程序的性能高低。Spark的Shuffle实现过程如图所示。

  Spark在DAG调度的过程中，会根据Shuffle过程来划分Stage阶段，即存在ShuffleDependency（宽依赖）的时候，会将作业job划分成多个Stage。划分Stage时，构建ShuffleDependency的时候会进行Shuffle注册，获取后续数据读取所需要的ShuffleHandle，最终每一个job提交后都会生成一个ResultStage和若干个ShuffleMapStage，其中ResultStage表示生成作业的最终结果所在的Stage。ResultStage与ShuffleMapStage中的task分别对应着ResultTask与ShuffleMapTask。一个job，除了最终的ResultStage外，其他若干ShuffleMapStage中各个ShuffleMapTask都需要将最终的数据根据相应的Partitioner对数据进行分组，然后持久化分区的数据。进行数据持久化目的在于1）容错；2）降低内存数据存储压力。

Spark的四种Shuffle机制

  负责Shuffle过程的执行、计算和处理的组件主要就是ShuffleManager，也即Shuffle管理器。ShuffleManager随着Spark的发展有两种实现的方式，分别为HashShuffleManager（spark1.2之前使用）和SortShuffleManager，因此Spark的Shuffle有Hash Shuffle和Sort Shuffle两种。
  在Spark 1.2以前，默认的shuffle计算引擎是HashShuffleManager。而HashShuffleManager有着一个非常严重的弊端，就是会产生大量的中间磁盘文件，进而由大量的磁盘IO操作影响了性能。因此在Spark 1.2以后的版本中，默认的ShuffleManager改成了SortShuffleManager。SortShuffleManager相较于HashShuffleManager来说，有了一定的改进。主要就在于，每个Task在进行Shuffle操作时，虽然也会产生较多的临时磁盘文件，但是最后会将所有的临时文件合并(merge)成一个磁盘文件，因此每个Task就只有一个磁盘文件。在下一个stage的shuffle read task拉取自己的数据时，只要根据索引读取每个磁盘文件中的部分数据即可。

spark1.2版本以前：hashShuffleManager
	未经优化的hashShuffleManager
	经过优化的hashShuffleManager

spark1.2版本以后：SortShuffleManager
	普通机制
	ByPass机制

HashShuffle机制

  在1.2版本之前，Spark使用HashShuffle，1.2版本之后使用Sort-Base Shuffle。Spark的运行主要分为两部分：一部分是以SparkContext为核心的驱动程序，另一部分是Worker节点上Task，它是运行实际任务的。程序运行的时候，Driver和Executor进程相互交互：运行什么任务，即Driver会通过网络传输为Executor分配Task；任务数据从哪儿获取，即Task要从 Driver 抓取其他上游Task的数据结果，所以这个过程中就会不断地产生网络结果。其中，下游Stage 向上游Stage申请数据的过程就称之为 Shuffle。

未优化的HashShuffle机制

  对相同的key执行hash算法，从而将相同的key都写入到一个磁盘文件中，而每一个磁盘文件都只属于下游stage的一个task。在将数据写入磁盘之前，会先将数据写入到内存缓冲，当内存缓冲填满之后，才会溢写到磁盘文件中。但是这种策略的不足在于，下游有几个task，上游的每一个task都就都需要创建几个临时文件，每个文件中只存储key取hash之后相同的数据，导致了当下游的task任务过多的时候，上游会堆积大量的小文件。

经过优化的HashShuffle机制

  在shuffle write过程中，task就不是为下游stage的每个task创建一个磁盘文件了。此时会出现shuffleFileGroup的概念，每个shuffleFileGroup会对应一批磁盘文件，磁盘文件的数量与下游stage的task数量是相同的。一个Executor上有多少个CPU core，就可以并行执行多少个task。而第一批并行执行的每个task都会创建一个shuffleFileGroup，并将数据写入对应的磁盘文件内。当Executor的CPU core执行完一批task，接着执行下一批task时，下一批task就会复用之前已有的shuffleFileGroup，包括其中的磁盘文件。也就是说，此时task会将数据写入已有的磁盘文件中，而不会写入新的磁盘文件中。因此，consolidate机制允许不同的task复用同一批磁盘文件，这样就可以有效将多个task的磁盘文件进行一定程度上的合并，从而大幅度减少磁盘文件的数量，进而提升shuffle write的性能。
  如果想使用优化之后的ShuffleManager，需要设置：spark.shuffle.consolidateFiles=true

未经优化：
上游的task数量：m
下游的task数量：n
上游的executor数量：k  (m>=k)
总共的磁盘文件：m*n

优化之后的：
上游的task数量：m
下游的task数量：n
上游的executor数量：k  (m>=k)
总共的磁盘文件：k*n

SortShuffleManager

  SortShuffleManager的运行机制主要分成两种，一种是普通运行机制，另一种是bypass运行机制。当ShuffleReadTask的数量小于等于spark.shuffle.sort.bypassMergeThreshold参数的值时（默认为200），就会启用bypass机制。

普通运行机制

  在普通模式下，数据会先写入一个内存数据结构中，此时根据不同的shuffle算子，可以选用不同的数据结构。如果是由聚合操作的shuffle算子，就是用map的数据结构（边聚合边写入内存），如果是join的算子，就使用array的数据结构（直接写入内存）。接着，每写一条数据进入内存数据结构之后，就会判断是否达到了某个临界值，如果达到了临界值的话，就会尝试的将内存数据结构中的数据溢写到磁盘，然后清空内存数据结构。
  在溢写到磁盘文件之前，会先根据key对内存数据结构中已有的数据进行排序，排序之后，会分批将数据写入磁盘文件。默认的batch数量是10000条，也就是说，排序好的数据，会以每批次1万条数据的形式分批写入磁盘文件，写入磁盘文件是通过Java的BufferedOutputStream实现的。BufferedOutputStream是Java的缓冲输出流，首先会将数据缓冲在内存中，当内存缓冲满溢之后再一次写入磁盘文件中，这样可以减少磁盘IO次数，提升性能。
  此时task将所有数据写入内存数据结构的过程中，会发生多次磁盘溢写，会产生多个临时文件，最后会将之前所有的临时文件都进行合并，最后会合并成为一个大文件。最终只剩下两个文件，一个是合并之后的数据文件，一个是索引文件（标识了下游各个task的数据在文件中的start offset与end offset）。最终再由下游的task根据索引文件读取相应的数据文件。

shuffle write：mapper阶段，上一个stage得到最后的结果写出
shuffle read ：reduce阶段，下一个stage拉取上一个stage进行合并

SortShuffleManager-bypass机制

下图说明了bypass SortShuffleManager的原理。

bypass运行机制的触发条件如下：
1）ShuffleMap Task数量小于spark.shuffle.sort.bypassMergeThreshold参数的值（默认为200）
2）不是聚合类的Shuffle算子（比如reduceByKey）

  此时Task会为每个下游Task都创建一个临时磁盘文件，并将数据按key进行hash，然后根据key的hash值，将key写入对应的磁盘文件之中。当然，写入磁盘文件时也是先写入内存缓冲，缓冲写满之后再溢写到磁盘文件的。最后，同样会将所有临时磁盘文件都合并成一个磁盘文件，并创建一个单独的索引文件。
  该过程的磁盘写机制其实跟未经优化的HashShuffleManager是一模一样的，因为都要创建数量惊人的磁盘文件，只是在最后会做一个磁盘文件的合并而已。因此少量的最终磁盘文件，也让该机制相对未经优化的HashShuffleManager来说，ShuffleRead的性能会更好。
  而该机制与普通SortShuffleManager运行机制的不同在于：
1）磁盘写机制不同
2）不会进行排序
也就是说，启用该机制的最大好处在于，ShuffleWrite过程中，不需要进行数据的排序操作，也就节省掉了这部分的性能开销。

总结：
  Map端的Shuffle一般为Shuffle的Write阶段，Reduce端的Shuffle一般为Shuffle的Read阶段。Spark的Shuffle分为两种实现：HashShuffle和SortShuffle。
  HashShuffle又分为普通机制和合并机制，普