Spark Sort-Based Shuffle内幕彻底解密

Spark Sort-Based Shuffle内幕彻底解密

本期内容：

1 为什么使用Sort-Based Shuffle

2 Sort-Based Shuffle 实战

3 Sort-Based Shuffle 内幕

4 Sort-Based Shuffle的不足

一、为什么需要Sort Based Shuffle？

1、 Shuffle一般包含两阶段任务；第一部分，产生Shuffle数据的阶段（map阶段）getWriter ,需要实现ShuffleManager中getWriter来写数据（数据    可以BlockManager写到Memory、DIsk、Tachyon等，例如像非常快的Shuffle，此时可以考虑把数据写到内存中，但是内存不稳定，建议使用   MEMORY_AND_DISK 方式） ，第二阶 段，使用Shuffle数据的阶段（Reduce阶段）  ，额外补充，需要实现ShuffleManager的 getReader;

  /**
   * Register a shuffle with the manager and obtain a handle for it to pass to tasks.
   */
  def registerShuffle[K, V, C](
      shuffleId: Int,
      numMaps: Int,
      dependency: ShuffleDependency[K, V, C]): ShuffleHandle
  /** Get a writer for a given partition. Called on executors by map tasks. */
  def getWriter[K, V](handle: ShuffleHandle, mapId: Int, context: TaskContext): ShuffleWriter[K, V]
  /**
   * Get a reader for a range of reduce partitions (startPartition to endPartition-1, inclusive).
   * Called on executors by reduce tasks.
   */
  def getReader[K, C](
      handle: ShuffleHandle,
      startPartition: Int,
      endPartition: Int,
      context: TaskContext): ShuffleReader[K, C]

2、如果只有一个Stage，则这个Job就是相当于只有一个Mapper阶段， 当然不会产生Shuffle，适合于简单的ETL； 在Spark的链条上有很多的 Stage，最后一个Stage产生阶段，最后一个Stage是倒数第二个Stage的Reducer（除了单Stage的job），最后一个Stage是Reducer，第一个   Stage一定是Mapper，中间的Stage既是Mapper也是Reducer，即第n个Stage是第n-1个Stage的Reducer，也是第n+1个Stage的Mapper。

3、Spark Shuffle在最开始的时候只支持 Hash-Based Shuffle；默认Mapper阶段会为Reducer阶段的每一个Task单独创建一个文件来保存该Task   中要使用的数据，但是在一些情况下 （例如数据量非常大的情况）会造成大量的（M*R，之中M代表Mapper中所有的并行任务数量，R代表 Reducer中所有的并行任务数据）随机磁盘I/O操作且会造成大量的MEM消耗（极易造成 OOM），这是致命的，因为：

        第一：不能够处理大规模的数据；

        第二：Spark不能够运行在大规模的分布式集群上！后来的改善方式是加入Shuffle Consalidate机制来讲Shuffle时候产生的文件实例减少到     C*R个（C代表在Mapper端同时能够使用的Cores的数量，R代表Reducer中所有的 并行任务数量 ），但是此时如果Reducer端的并行数据分 片过多的话则C*R可能已经过大，此时依旧没有逃脱文件打开过多的厄运！

说明：Spark在引入Sort-Based Shuffle以前，比较适用于中小规模的大数据处理（Spark1.1X）

4、 为了让Spark在更大规模的集群上更高性能处理更大规模的数据，于是就引入了Sort-Based Shuffle！从此以后（Spark1.1.X版本开始），     Spark可以胜任任意规模（包含PB以及以上级别的）的更大数据的处理，尤其是随着钨丝计划的引入和优化，把Spark更快的扎起更大的集群 处理更加海量的数据的能力推向了一个新的巅峰！

5、Spark1.6版本支持至少三种类型的Shuffle（可以自定义，Shuffle可插拔等），实现ShuffleManager接口可以根据自己的需要更优化的自定义的 Shuffle的实现。

   // Let the user specify short names for shuffle managers
    val shortShuffleMgrNames = Map(
      "hash" -> "org.apache.spark.shuffle.hash.HashShuffleManager",
      "sort" -> "org.apache.spark.shuffle.sort.SortShuffleManager",
      "tungsten-sort" -> "org.apache.spark.shuffle.sort.SortShuffleManager")
    val shuffleMgrName = conf.get("spark.shuffle.manager", "sort")
    val shuffleMgrClass = shortShuffleMgrNames.getOrElse(shuffleMgrName.toLowerCase, shuffleMgrName)
    val shuffleManager = instantiateClass[ShuffleManager](shuffleMgrClass)

6、Spark1.6默认采用的就是Sort-based Shuffle的方式：

val shuffleMgrName = conf.get("spark.shuffle.manager", "sort")

上述的源码说明，你可以在Spark的配置文件中配置Spark框架运行时要使用的具体的ShuffleManager的实现。

         修改conf/spark-default.conf加入如下内容：spark.shuffle.namager SORT

          Sort-based Shuffle不会为每个Reducer中的Task生成一个单独的文件，相反，Sort-based Shuffle会把Mapper中每个ShuffleMapTask所以的输出数据Data只写到一个文件中。因为每个ShuffleMapTask中的数据会被分类，所以Sort-based Shuffle使用了Index文件存储具体ShuffleMapTask输出数据在同一个data是如何分类的信息！因此基于Sort-based 的Shuffle会在Mapper中的每一个ShuffleMapTask中产生两个文件：Data文件和Index，其中Data文件是存储当前Task的Shuffle输出的，而Index文件中存储了data文件中的数据通过partitioner的分类索引，此时下一个阶段的Stage中的Task就是根据这个Index文件获取自己所要抓取的上一个Stage中的ShuffleMapTask产生的数据的；

          Sort-based Shuffle会产生2*M个文件（M代表了Mapper阶段中并行的Partition的总数量，其实就是Mapper端ShuffleMapTask的总数量）个Shuffle临时文件。

         回顾整个Shuffle的历史，Shuffle产生的临时文件的数量的变化以此为：

        Basic Hash Shuffle：M*R；

        Consalidate 方式的Hash Shuffle：C*R；

        Sort-based Shuffle：2*M；

二、在集群中动手实战Sort-based Shuffle

1、启动Hadoop HDFS

root@Master:/usr/local/hadoop/hadoop-2.6.0/sbin# ./start-dfs.sh 

2、创建目录并上传文件

root@Master:/usr/local/hadoop/hadoop-2.6.0/sbin# hadoop dfs -mkdir /library/dataForSort

上传三个文件：

root@Master:/usr/local/hadoop/hadoop-2.6.0# hadoop dfs -put README.txt /library/dataForSort
DEPRECATED: Use of this script to execute hdfs command is deprecated.
Instead use the hdfs command for it.
root@Master:/usr/local/hadoop/hadoop-2.6.0# hadoop dfs -put LICENSE.txt /library/dataForSort
DEPRECATED: Use of this script to execute hdfs command is deprecated.
Instead use the hdfs command for it.
root@Master:/usr/local/hadoop/hadoop-2.6.0# hadoop dfs -put NOTICE.txt /library/dataForSort
DEPRECATED: Use of this script to execute hdfs command is deprecated.
Instead use the hdfs command for it.
root@Master:/usr/local/hadoop/hadoop-2.6.0# 

3、启动Spark：

start-all.sh                    stop-mesos-dispatcher.sh
start-history-server.sh         stop-mesos-shuffle-service.sh
start-master.sh                 stop-shuffle-service.sh
start-mesos-dispatcher.sh       stop-slave.sh
start-mesos-shuffle-service.sh  stop-slaves.sh
start-shuffle-service.sh        stop-thriftserver.sh
root@Master:/usr/local/spark/spark-1.6.0-bin-hadoop2.6/sbin# ./start-all.sh 

4、运行spark-shell

root@Master:/usr/local/spark/spark-1.6.0-bin-hadoop2.6/bin# ./spark-shell

注：不指定Master，说明在local模式中运行（因为local默认在我们测试的角度讲，比较容易观察数据）

scala>sc.textFile("/library/dataForSort").flatMap(_.split(" ")).map(word =>(word,1)).reduceByKey(_+_).count

Shuffle运行生成的中间的文件(共8个文件，data4个，index4个)：

        shuffle_0_0_0.data  
        Shuffle_0_1_0.data 
        Shuffle_0_2_0.data 
        Shuffle_0_3_0.data   
        Shuffle_0_0_0.index   
        Shuffle_0_1_0.index 
        Shuffle_0_2_0.index
        Shuffle_0_3_0.index

命名规则：第一个1代表Stage，第二个1代表ShuffleMapTask ID，第三个0代表Reducer的ID，data代表数据本身

由此证明了在默认的Sort-based Shuffle的产生2M个文件，其中M为Task的数量。

         在Sort-based Shuffle中Reducer使如何获取自己需要的数据的呢？

         具体而言，Reducer首先找Driver去获取父Stage（等父Stage执行完后子Stage边抓数据边计算）中每个ShuffleMapTask输出的位置信息，根据位置信息获取index文件，解析index文件，从解析的index文件中获取Data文件中属于自己的那部分内容；

          hash的shuffle文件数跟下个stage的并行数相关，等于M*R，所以hash的shuffle、下个stage并行度不有shuffle决定，反观sort，shuffle决定下个satge的并行数，两者对下个stage的并行数影响不同！

一般merge 排序的时候为了减低OOM，会同时打开上百文件

三、Sort-based Shuffle确定

1、如果Mapper中Task的数据量过大，依旧会产生很多小文件；此时在Shuffle传递数据的过程中到Reducer端，reduce会需要同时打开大量的记录来进行反序列化，导致大量的内存消耗和GC的巨大负担，造成系统缓慢甚至奔溃！

2、如果在分片内也需要排序的话，此时也需要进行Mapper端和Reducer端的两次排序！