SparkSql中join和shuffle知识点梳理

sparksql中有一些容易混淆的概念，大家在面试时也会经常被问到join和shuffle相关的问题：

• 说说join的几种实现

• 说说shuffle的实现

• join操作一定发生shuffle吗？

• spark shuffle 2.0以上已经不用hash shuffle了，那join的时候还用hash join 么？

• ...

想要弄清楚这些，就得搞清楚sparksql中join的具体实现有哪些？shuffle又有哪些？他们之间的关系又是什么？

sparksql中的join

BaseJoinExec是sparksql中join实现的基类。

sparksql中，join有六种实现方式：

• SortMergeJoinExec

• ShuffledHashJoinExec

• BroadcastHashJoinExec

• BroadcastNestedLoopJoinExec

• CartesianProductExec

具体特点及分发类型如下图：

sparksql中的shuffle

Exchange

如果某个sql会发生shuffle，那么它的执行计划中一定会出现Exchange(实际是ShuffleExchangeExec)节点。

Exchange的两个实现类：

BroadcastExchangeExec(广播)、ShuffleExchangeExec(shuffle)

BroadcastExchangeExec：对应sql中的广播相关的join。

ShuffleExchangeExec：对应sql中shuffle hash join、sort merge join或者聚合类的操作，比如group by，grouping sets。

Shuffle机制

所谓shuffle就是把不同节点上的数据按相同key值拉取到一个节点上。

shuffle发生在map 和reduce之间(也可以说是两个stage之间)，分为shuffleWrite 和shuffleRead两个过程。

shuffle 过程:

前一个stage进行shuffle write 把数据存在blockManage；

下一个stage 进行shuffle read 拉取上个stage 的数据。

几个重要的类：

shuffleManager

ShuffleManager是Spark系统中可插拔的Shuffle系统接口，ShuffleManager会在Driver或Executor的SparkEnv被创建时一并创建，可以通过spark.shuffle.manage配置指定具体的实现类。目前唯一实现类org.apache.spark.shuffle.sort.SortShuffleManager

ShuffleWriter

ShuffleWriter是Spark提供的ShuffleMapTask写入数据的主要类，有三种writer，分别是BypassMergeSortShuffleWriter,UnsafeShuffleWriter和SortShuffleWriter。

ShuffleManager通过getWriter方法获取合适的ShuffleWriter，然后通过write方法写入数据到存储系统中。

ShuffleReader

ShuffleReader是Shuffle read任务从上游ShuffleMapTask的结果MapStatus获取文件信息，读取数据产生迭代器，是后续Task使用的源数据的生产者，目前唯一实现是BlockStoreShuffleReader，实现了read方法。

总结

• join操作一定发生shuffle吗？

不一定。只有 SortMergeJoinExec 和 ShuffledHashJoinExec  这两种类型的join实现会发生shuffle；如果再拓展一下的话，可以说一下这几种join的选择策略（相关源码咱们课上见）。

• spark shuffle 2.0以上已经不用hash shuffle了，那join的时候还用hash join 么？

shuffle是一种数据分发的方式，它的实现代表的是两个stage之间的数据按照什么方式移动；而join是发生在某个stage中，hash join是指把小表构建成hash表，和基表进关联的操作。

hash shuffle被弃用了，hash join在ShuffledHashJoinExec 和  BroadcastHashJoinExec这两种join的实现中还在使用。