Spark Core-第六章：Spark 内核调度

Spark是大数据体系的明星产品，是一款高性能的分布式内存迭代计算框架，可以处理海量规模的数据。下面就带大家来学习今天的内容！

往期内容：

• Spark基础入门-第一章：Spark 框架概述
• Spark基础入门-第二章：Spark环境搭建-Local
• Spark基础入门-第三章：Spark环境搭建-StandAlone
• Spark基础入门-第四章：Spark环境搭建-StandAlone-HA
• Spark基础入门-第五章：环境搭建-Spark on YARN
• Spark基础入门-第六章：PySpark库
• Spark基础入门-第七章：本机开发环境搭建
• Spark基础入门-第八章：分布式代码执行分析
• Spark Core-第一章： RDD详解
• Spark Core-第三章：RDD的持久化
• Spark Core-第四章：Spark案例练习
• Spark Core-第五章：共享变量

---

一、DAG

Spark的核心是根据RDD来实现的， Spark Scheduler则为Spark核心实现的重要一环，其作用就是任务调度。 Spark 的任务调度就是如何组织任务去处理RDD中每个分区的数据，根据RDD的依赖关系构建DAG，基于DAG划分Stage， 将每个Stage中的任务发到指定节点运行。基于Spark的任务调度原理， 可以合理规划资源利用，做到尽可能用最少的 资源高效地完成任务计算。

以词频统计WordCount程序为例， DAG图：

二、DAG的宽窄依赖和阶段划分

三、内存迭代计算

四、Spark 并行度

五、Spark的任务调度

六、 拓展 - Spark运行中的概念名词大全

七、 Spark Shuffle

MR Shuffle 回顾

首先回顾MapReduce框架中Shuffle过程，整体流程图如下：

简介

Spark在DAG调度阶段会将一个Job划分为多个Stage，上游Stage做map工作，下游Stage做reduce工作，其本质上 还是MapReduce计算框架。 Shuffle是连接map和reduce之间的桥梁，它将map的输出对应到reduce输入中，涉及到序列化反序列化、跨节点网络IO以及磁盘读写IO等。

Spark的Shuffle分为Write和Read两个阶段，分属于两个不同的Stage，前者是Parent Stage的最后一步，后者是

Child Stage的第一步。

执行Shuffle的主体是Stage中的并发任务，这些任务分ShuffleMapTask和ResultTask两种， ShuffleMapTask要进行 Shuffle， ResultTask负责返回计算结果，一个Job中只有最后的Stage采用ResultTask，其他的均为ShuffleMapTask 。如果要按照map端和reduce端来分析的话， ShuffleMapTask可以即是map端任务，又是reduce端任务，因为 Spark中的Shuffle是可以串行的； ResultTask则只能充当reduce端任务的角色。

Spark在1.1以前的版本一直是采用Hash Shuffle的实现的方式，到1.1版本时参考Hadoop MapReduce的实现开始引 入Sort Shuffle，在1.5版本时开始Tungsten钨丝计划， 引入UnSafe Shuffle优化内存及CPU的使用， 在1.6中将 Tungsten统一到Sort Shuffle中，实现自我感知选择最佳Shuffle方式，到的2.0版本， Hash Shuffle已被删除，所有Shuffle方式全部统一到Sort Shuffle一个实现中。

在Spark的中，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。该ShuffleManager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。

Hash Shuffle 了解

Shuffle阶段划分：

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

1)未经优化的hashShuffleManager：

HashShuffle是根据task的计算结果的key值的hashcode%ReduceTask来决定放入哪一个区分，这样保证相同的数据一定放入一个分区， Hash Shuffle过程如下：

根据下游的task决定生成几个文件，先生成缓冲区文件在写入磁盘文件，再将block文件进行合并。

未经优化的shuffle write操作所产生的磁盘文件的数量是极其惊人的。提出如下解决方案

2)经过优化的hashShuffleManager：

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，每一个Group磁盘文件的数量与下游stage的task数量是相同的。

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

Sort Shuffle Manager 了解

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shuffle write task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。

( 1)该模式下，数据会先写入一个内存数据结构中(默认5M)，此时根据不同的shuffle算子，可能选用不同的数据结 构。如果是reduceByKey这种聚合类的shuffle算子，那么会选用Map数据结构，一边通过Map进行聚合，一边写入内 存;如果是join这种普通的shuffle算子，那么会选用Array数据结构，直接写入内存。 ( 2)接着，每写一条数据进入内存数据结构之后，就会判断一下，是否达到了某个临界阈值。如果达到临界阈值的话 ，那么就会尝试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。

( 3)排序

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。

(4)溢写

排序过后，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1万条数 据的形式分批写入磁盘文件。

( 5) merge

一个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操作，也就会产生多个临时文件。最后会将之 前所有的临时磁盘文件都进行合并成1个磁盘文件，这就是merge过程。

由于一个task就只对应一个磁盘文件， 也就意味着该task为Reduce端的stage的task准备的数据都在这一个文件中， 因此还会单独写一份索引文件， 其中标识了下游各个task的数据在文件中的start offset与end offset。

Sort Shuffle bypass机制

bypass运行机制的触发条件如下：

1)shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold=200参数的值。

2)不是map combine聚合的shuffle算子(比如reduceByKey有map combie)。

bypass运行机制的触发条件如下：

1)shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold=200参数的值。

2)不是map combine聚合的shuffle算子(比如reduceByKey有map combie)。

此时task会为每个reduce端的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， shuffle read的性能会更好。

而该机制与普通SortShuffleManager运行机制的不同在于：

• 第一，磁盘写机制不同;
• 第二，不会进行排序。也就是说，启用该机制的最大好处在于， shuffle write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：

SortShuffle也分为普通机制和bypass机制

普通机制在内存数据结构(默认为5M)完成排序，会产生2M个磁盘小文件。

而当shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold参数的值。或者算子不是聚合类的

shuffle算子(比如reduceByKey)的时候会触发SortShuffle的bypass机制， SortShuffle的bypass机制不会进行排序 ，极大的提高了其性能。

Shuffle的配置选项

Shuffle阶段划分：

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