Spark--Shuffle

Spark-Shuffle

*spark shuffer 分为两种

*hashshuffer

*一种是基本的hashshuffer

* 形成磁盘小文件的个数=map task的个数* reduce task的个数

* 问题：基本的hashshuffer会产生磁盘小文件过多的问题

* 具体问题：

* 1.io瓶颈

* 2.oom

* 3.如果因为磁盘小文件过多，频繁的和资源服务器建立连接，如果在此过程中

连接建立失败，该错误spark是不负责重试的，直接报错

*一种是优化后的hashshuffer

*形成磁盘小文件的个数=core的个数*reduce task的个数

*实际上就是让相同的数据在处理的时候，使用相同的内存进行数据的存储整理

*sortshuffer

* 一种是基本的sortshuffer

*该种模式下是对shuffer中的数据进行二级内存缓冲的，并且，一级缓冲内存默认是5M，在一级内存数据超过5M的时候，spark会尝试在申请资源，如果资源申请成功不发生图中的下面流程，如果申请不成功则发生下面的排序、二级缓冲、落地磁盘等操作

*在某些时候，数据量不是特别大的时候，我们是完全不需要对数据进行sort的，所以可以使用优化后的sortshuffer

*一种是bypass机制的sortshuffer

*在reduce task的数量小于 bypass机制设置的阈值的时候，会触发bypass机制，默认的bypass的阈值是200

*Spark-Shuffle调优

*SparkConf.set("spark.shuffle.file.buffer","64k")

*spark.shuffle.file.buffer

*默认值：32k (可变)

*SparkConf.set("spark.shuffle.file.buffer","64k")

*spark.shuffle.file.buffer

*默认值：32k

*参数说明：该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小。将数据写到磁盘文件之前，会先写入buffer缓冲中，待缓冲写满之后，才会溢写到磁盘。

*调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如64k），从而减少shuffle write过程中溢写磁盘文件的次数，也就可以减少磁盘IO次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

*spark.reducer.maxSizeInFlight

*默认值：48m

*参数说明：该参数用于设置shuffle read task的buffer缓冲大小，而这个buffer缓冲决定了每次能够拉取多少数据。

*调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如96m），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

*错误：reduce oom

*reduce task去map拉数据，reduce 一边拉数据一边聚合 reduce段有一块聚合内存（executor memory * 0.2）

*解决办法： 1、增加reduce 聚合的内存的比例 设置spark.shuffle.memoryFraction

2、 增加executor memory的大小 --executor-memory 5G

3、减少reduce task每次拉取的数据量 设置spark.reducer.maxSizeInFlight 24m

*spark.shuffle.io.maxRetries

*默认值：3

*参数说明：shuffle read task从shuffle write task所在节点拉取属于自己的数据时，如果因为网络异常导致拉取失败，是会自动进行重试的。该参数就代表了可以重试的最大次数。如果在指定次数之内拉取还是没有成功，就可能会导致作业执行失败。

*调优建议：对于那些包含了特别耗时的shuffle操作的作业，建议增加重试最大次数（比如60次），以避免由于JVM的full gc或者网络不稳定等因素导致的数据拉取失败。在实践中发现，对于针对超大数据量（数十亿~上百亿）的shuffle过程，调节该参数可以大幅度提升稳定性。

*shuffle file not find taskScheduler不负责重试task，由DAGScheduler负责重试stage

*spark.shuffle.io.retryWait

*默认值：5s

*参数说明：具体解释同上，该参数代表了每次重试拉取数据的等待间隔，默认是5s。

*调优建议：建议加大间隔时长（比如60s），以增加shuffle操作的稳定性。

*spark.shuffle.memoryFraction

*默认值：0.2

*参数说明：该参数代表了Executor内存中，分配给shuffle read task进行聚合操作的内存比例，默认是20%。

*调优建议：在资源参数调优中讲解过这个参数。如果内存充足，而且很少使用持久化操作，建议调高这个比例，给shuffle read的聚合操作更多内存，以避免由于内存不足导致聚合过程中频繁读写磁盘。在实践中发现，合理调节该参数可以将性能提升10%左右。

*spark.shuffle.manager

*默认值：sort

*参数说明：该参数用于设置ShuffleManager的类型。Spark 1.5以后，有三个可选项：hash、sort和tungsten-sort。HashShuffleManager是Spark 1.2以前的默认选项，但是Spark 1.2以及之后的版本默认都是SortShuffleManager了。tungsten-sort与sort类似，但是使用了tungsten计划中的堆外内存管理机制，内存使用效率更高。

*调优建议：由于SortShuffleManager默认会对数据进行排序，因此如果你的业务逻辑中需要该排序机制的话，则使用默认的SortShuffleManager就可以；而如果你的业务逻辑不需要对数据进行排序，那么建议参考后面的几个参数调优，通过bypass机制或优化的HashShuffleManager来避免排序操作，同时提供较好的磁盘读写性能。这里要注意的是，tungsten-sort要慎用，因为之前发现了一些相应的bug。

*spark.shuffle.sort.bypassMergeThreshold

*默认值：200

*参数说明：当ShuffleManager为SortShuffleManager时，如果shuffle read task的数量小于这个阈值（默认是200），则shuffle write过程中不会进行排序操作，而是直接按照未经优化的HashShuffleManager的方式去写数据，但是最后会将每个task产生的所有临时磁盘文件都合并成一个文件，并会创建单独的索引文件。

*调优建议：当你使用SortShuffleManager时，如果的确不需要排序操作，那么建议将这个参数调大一些，大于shuffle read task的数量。那么此时就会自动启用bypass机制，map-side就不会进行排序了，减少了排序的性能开销。但是这种方式下，依然会产生大量的磁盘文件，因此shuffle write性能有待提高。

*spark.shuffle.consolidateFiles

*默认值：false

*参数说明：如果使用HashShuffleManager，该参数有效。如果设置为true，那么就会开启consolidate机制，会大幅度合并shuffle write的输出文件，对于shuffle read task数量特别多的情况下，这种方法可以极大地减少磁盘IO开销，提升性能。

*调优建议：如果的确不需要SortShuffleManager的排序机制，那么除了使用bypass机制，还可以尝试将spark.shffle.manager参数手动指定为hash，使用HashShuffleManager，同时开启consolidate机制。在实践中尝试过，发现其性能比开启了bypass机制的SortShuffleManager要高出10%~30%。

*Reducer默认拉去数据的大小是48M

*reducer task 去拉map数据的时候，reducer 一边拉数据一边聚合

*reducer段有一块聚合内存(execytor memory * 0.2)拉取80% 处理20% 可变

Shuffle寻址