Spark Sort-Based Shuffle内幕彻底解密
本期内容:
1 为什么使用Sort-Based Shuffle2 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;
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。
6、Spark1.6默认采用的就是Sort-based Shuffle的方式:
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
2、创建目录并上传文件
3、启动Spark:
4、运行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)
Shuffle运行生成的中间的文件(共8个文件,data4个,index4个):
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!