MapReduce中的shuffle阶段和Spark中的shuffle阶段比较
- 从逻辑角度来讲,Shuffle 过程就是一个 GroupByKey 的过程,两者没有本质区别,但是MR在进行GroupByKey之前会对key进行排序,而Spark则不会对key进行排序 。
- 从数据流角度讲,两者有差别。MapReduce 只能从一个 Map Stage shuffle 数据,Spark 可以从多个 Map Stages shuffle 数据。
- Shuffle write/read 实现上有一些区别。MapReduce 可以说是 sort-based,shuffle write 和 shuffle read 过程都是基于key sorting。早期的 Spark 是 hash-based,shuffle write 和 shuffle read 都使用 HashMap-like 的数据结构进行 aggregate (without key sorting)。但目前的 Spark 是两者的结合体,shuffle write 可以是 sort-based (only sort partition id, without key sorting),shuffle read 阶段可以是 hash-based。
4 从性能优化角度来讲,Spark考虑的更全面。MapReduce 的 shuffle 方式单一。Spark 针对不同类型的操作、不同类型的参数,会使用不同的 shuffle write 方式。