Spark Shuffle机制

Spark Shuffle

目录

Spark Shuffle

Shuffle Version

Shuffle阶段划分

Hash Based Shuffle Manager

未经优化的hashShuffleManager

优化后的Hash Shuffle

Sort Based Shuffle Manager

SortShuffle的普通机制

byPass机制

---

Shuffle Version

Spark1.1以前的版本一直是采用Hash Shuffle的实现的方式，

1.1版本时参考Hadoop MapReduce的实现开始引入Sort Shuffle，

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，

1.6中将Tungsten统一到Sort Shuffle中，实现自我感知选择最佳Shuffle方式，

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。​​​​​​​

Spark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。

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

Hash Based Shuffle Manager

（Spark1.1之前）

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

未经优化的hashShuffleManager

上游State的RDD的每一个分区对应每一个线程, 都会产生与下游相同分区数量的文件

优化后的Hash Shuffle

Shuffle write过程中，上游state的每一个RDD的每一个分区对应一个线程，不再产生 与下游state等分区数量的文件。

而是，由executor来输出与下游的RDD分区数等量的文件。（一个Executor中有多个task）

 

Sort Based Shuffle Manager

sort shuffle存在两种运行的机制: 普通机制 和 bypass机制

SortShuffle的普通机制

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。

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​​​​​​​

溢写的过程中，会对数据进行分区排序，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

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

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。

 

byPass机制

bypass运行机制的触发条件如下：

1. 第一 ，shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold=200参数的值；

第二，不是map combine聚合的shuffle算子(比如reduceByKey有map combie)

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 溢写 到对应磁盘文件

 

该过程的磁盘写机制其实跟未经优化的HashShuffleManager一样，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的性能更好。

与SortShuffle普通机制的区别在于：

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

相关参数

参数	参数说明
spark.shuffle.file.buffer	该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小（默认是32K）。将数据写到磁盘文件之前，会先写入buffer缓冲中，待缓冲写满之后，才会溢写到磁盘。
spark.reducer.maxSizeInFlight	该参数用于设置shuffle read task的buffer缓冲大小，而这个buffer缓冲决定了每次能够拉取多少数据。(默认48M)
spark.shuffle.io.maxRetries	shuffle read task从shuffle write task所在节点拉取属于自己的数据时，如果因为网络异常导致拉取失败，是会自动进行重试的。该参数就代表了可以重试的最大次数。（默认是3次）
spark.shuffle.io.retryWait	该参数代表了每次重试拉取数据的等待间隔。（默认为5s） 调优建议：一般的调优都是将重试次数调高，不调整时间间隔。
spark.shuffle.memoryFraction	该参数代表了Executor内存中，分配给shuffle read task进行聚合操作内存比例。
spark.shuffle.manager	该参数用于设置shufflemanager的类型（默认为sort） Hash：spark1.x版本的默认值，HashShuffleManager Sort：spark2.x版本的默认值，普通机制，当shuffle read task 的数量小于等于spark.shuffle.sort.bypassMergeThreshold参数，自动开启bypass 机制
spark.shuffle.sort.bypassMergeThreshold	当ShuffleManager为SortShuffleManager时，如果shuffle map task的数量小于这个阈值（默认是200），则shuffle write过程中不会进行排序操作。