Spark SortShuffleManager 运行原理

SortShuffleManager运行原理

SortShuffleManager的运行机制主要分成两种，一种是普通运行机制，另一种是bypass运行机制。当shuffle read task的数量小于等于spark.shuffle.sort.bypassMergeThreshold参数的值时（默认为200），就会启用bypass机制。

普通运行机制

• 会把shuffle的数据先写内存[数据结构] 这里会有一个批次，至于内存数据结构是什么类型的下面有解释
• 达到临界阈值会先对内存数据结构中已有的数据进行排序
• flush disk分批将数据写入磁盘文件（默认的batch数量是10000条），排序好的数据，会以每批1万条数据的形式分批写入磁盘文件，这是通过Java的BufferedOutputStream实现的。BufferedOutputStream是Java的缓冲输出流，首先会将数据缓冲在内存中，当内存缓冲满溢之后再一次写入磁盘文件中，这样可以减少磁盘IO次数，提升性能。
• files (那么这种写中间的files也是非常多的)，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
• files分为 disk + memory
• merge（将所有磁盘的文件读进来和内存的一起写成一个完整的）
• 一个task 生成一个文件 + index（这时候同Map、Reduce个数已经没有多大关系了，加index是因为如果你排序是排好的，但是很可能是交给下游的task来用的，那么就要知道从哪里去取，就类似Kafka中的offset），由于一个task就只对应一个磁盘文件，也就意味着该task为下游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。

PS：有shuffle算子reducebykey group…不同算子采用的数据类型结构肯定是不一样的，所以上面写到内存会有一个[数据结构]

数据结构

• PartitionedAppendOnlyMap reducebykey走的肯定是这个Map数据结构，一边通过Map进行聚合，一边写入内存
• PartitionedPairBuffer 对于其他算子走的就是Array数据结构，直接写入内存

总结

SortShuffleManager由于有一个磁盘文件merge的过程，因此大大减少了文件数量。比如第一个stage有50个task，总共有10个Executor，每个Executor执行5个task，而第二个stage有100个task。由于每个task最终只有一个磁盘文件，因此此时每个Executor上只有5个磁盘文件，所有Executor只有50个磁盘文件。

bypass运行机制

先看官网一个参数：

spark.shuffle.sort.bypassMergeThreshold
	200	  //该参数默认是200
	
(Advanced) In the sort-based shuffle manager, avoid merge-sorting data if there is no map-side aggregation and there are at most this many reduce partitions.

//说明这里没有Map端的聚合，reduceByKey就不适用

场景

• shuffle read partitions/tasks < 200
• no map-side aggregation (reduceByKey就不行，是做局部聚合的)

原理

• 类似于hashshufflemanager + merge ，此时task会为每个下游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写入对应的磁盘文件之中，当然，写入磁盘文件时也是先写入内存缓冲，缓冲写满之后再溢写到磁盘文件的。
• file + index，最后，同样会将所有临时磁盘文件都合并成一个磁盘文件，并创建一个单独的索引文件

总结

该过程的磁盘写机制其实跟未经优化的HashShuffleManager是一模一样的，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的性能会更好。

比较

第二种bypass运行机制与普通SortShuffleManager运行机制的不同在于：

• 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，也就节省掉了这部分的性能开销。