Shuffle是Spark重新分布数据的机制,跨分区进行数据分组,跨执行器和机器进行数据拷贝,复杂且代价高
背景
1) 以reduceByKey操作为例,把单个key的所有值reduce并生成一个新的RDD,reduce函数应用到和这个key相关的所有value上,使得完成这个操作要使用到所有分区的所有键值对
2) Spark的分区不是按照特定的操作来划分的,一个单独的reduceByKey任务在一个单独的partition执行,然后读取所有分区的所有keys和对应的values跨分区进行合并得到最终结果,这就是Shuffle
性能影响
1) Shuffle代价很大,因为涉及磁盘IO,数据序列化和网络IO,为了组织好Shuffle的数据,Spark使用tasks集合