Spark之Shuffle机制及其文件寻址详解

最新推荐文章于 2024-07-11 17:05:22 发布

Jeremy_Lee123

最新推荐文章于 2024-07-11 17:05:22 发布

阅读量1.3k

点赞数 3

分类专栏： Spark详解文章标签： shuffle

本文链接：https://blog.csdn.net/lixinkuan328/article/details/102492693

版权

Spark详解专栏收录该内容

29 篇文章 6 订阅

订阅专栏

一、SparkShuffle概念

reduceByKey会将上一个RDD中的每一个key对应的所有value聚合成一个value，然后生成一个新的RDD，元素类型是<key,value>对的形式，这样每一个key对应一个聚合起来的value。

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，不同的key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HashShuffleManager， Spark1.2引入SortShuffleManager,在Spark 2.0+版本中已经将HashShuffleManager丢弃。

二、HashShuffleManager（过时）

2.1、HashShuffle 普通机制

普通机制示意图：

执行流程:

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。新写的磁盘小文件会追加内容。
每个buffer文件最后对应一个磁盘小文件。
reduce task来拉取对应的磁盘小文件。

总结:

maptask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。
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：

在Shuffle Write过程中会产生很多写磁盘小文件的对象。
在Shuffle Read过程中会产生很多读取磁盘小文件的对象。
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。gc工作的时候是不提供工作的。
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。变相的延长执行时间

2.2、HashShuffle 合并机制

合并机制示意图：

一个core 一般运行一个task,图中即便一个executor有两个task，也是串行执行的！

总结： 产生磁盘小文件的个数：C(core的个数)*R（reduce的个数）

三、SortShuffleManager

3.1、SortShuffleManager 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（有序），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）索引文件+磁盘文件=2

3.2、SortShuffleManager bypass机制（比如wordcount)不需要排序时使用

bypass机制示意图：

总结：

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。
产生的磁盘小文件为：2*M（map task的个数）

四、Shuffle文件寻址

Spark中Shuffle文件的寻址是一个文件底层的管理机制，所以还是有必要了解一下。

4.1、基本概念

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。

4.2、架构图

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MpStatus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。拉取过来的数据放在Executor端的shuffle聚合内存中（spark.shuffle.memeoryFraction=0.2）, 如果5个task一次拉取的数据放不到shuffle内存中会有OOM,如果放下一次，不会有OOM，以后放不下的会放磁盘。

扩展补充如何避免OOM：