10. SparkShuffle & 文件寻址

1. SparkShuffle概念

Shuffle描述着数据从map task输出到reduce task输入的这段过程。

一般将在map端的Shuffle称之为Shuffle Write，在Reduce端的Shuffle称之为Shuffle Read.

shuffle的性能高低直接影响了整个程序的性能和吞吐量。

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。

Spark中有两种Shuffle类型，HashShuffle和SortShuffle，
Spark1.2之前是HashShuffle，
Spark1.2引入SortShuffle 。
Spark2.0就只有sortshuffle

2. HashShuffle

1) 普通机制

• 普通机制示意图
  

• 执行流程
  a) 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。
  b) 每个buffer文件最后对应一个磁盘小文件。
  c) reduce task来拉取对应的磁盘小文件。

• 总结
  ① .map task的计算结果会根据分区器（默认是hashPartitioner）来决定写入到哪一个磁盘小文件中去。ReduceTask会去Map端拉取相应的磁盘小文件。
  ② .产生的磁盘小文件的个数：
  M（map task的个数）*R（reduce task的个数）

• 存在的问题
  产生的磁盘小文件过多，会导致以下问题：

  • a) 在Shuffle Write过程中会产生很多写磁盘小文件的对象。
  • b) 在Shuffle Read过程中会产生很多读取磁盘小文件的对象。
  • c) 在JVM堆内存中对象过多会造成频繁的gc,gc还无法解决运行所需要的内存 的话，就会OOM。
  • d) 在数据传输过程中会有频繁的网络通信，频繁的网络通信出现通信故障的可能性大大增加，一旦网络通信出现了故障会导致shuffle file cannot find 由于这个错误导致的task失败，TaskScheduler不负责重试，由DAGScheduler负责重试Stage。
    
    

2) 合并机制

• 合并机制示意图
  
• 总结
  产生磁盘小文件的个数：C(core的个数)*R（reduce的个数）
  
  

3. SortShuffle

1) 普通机制

• 普通机制示意图
  
• 执行流程
  a) 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
  b) 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。
  c) 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。
  d) 在溢写之前内存结构中的数据会进行排序分区
  e) 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，
  f) 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。
  g) 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。
• 总结
  产生磁盘小文件的个数： 2*M（map task的个数）
  
  

2) bypass机制

• bypass机制示意图
  

• 总结
  ① .bypass运行机制的触发条件如下：

  • shuffle reduce task的数量小于spark.shuffle.sort.bypassMergeThreshold的参数值。这个值默认是200。
  • 不需要进行map端的预聚合，比如groupBykey,join.

  ② .产生的磁盘小文件为：2*M（map task的个数）
  
  

4. Shuffle文件寻址

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。
  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。
• BlockManagerWorker，从对象，存在于Excutor中。
  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 ConnectionManager：负责连接其他的
  BlockManagerWorker。
  ④ BlockTransferService:负责数据的传输。

3) Shuffle文件寻址图

4) Shuffle文件寻址流程

• a) 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，通过MapOutputTrackerWorker对象向Driver中的MapOutputTrackerMaster汇报。
• b) 在所有的map task执行完毕后，Driver中就掌握了所有的磁盘小文件的地址。
• c) 在reduce task执行之前，会通过Excutor中MapOutPutTrackerWorker向Driver端的MapOutputTrackerMaster获取磁盘小文件的地址。
• d) 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。
• e) 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。