Spark——Spark基础之shuffle机制和原理分析

1、shuffle的概念

Shuffle就是对数据进行重组，由于分布式计算的特性和要求，在实现细节上更加繁琐和复杂。

在MapReduce框架，Shuffle是连接Map和Reduce之间的桥梁，Map阶段通过shuffle读取数据并输出到对应的Reduce；而Reduce阶段负责从Map端拉取数据并进行计算。在整个shuffle过程中，往往伴随着大量的磁盘和网络I/O。所以shuffle性能的高低也直接决定了整个程序的性能高低。Spark也会有自己的shuffle实现过程。

2、HashShuffle机制

2.1、HashShuffle概述

Spark-1.6版本之前，一直使用HashShuffle，在Spark-1.6版本之后使用Sort-Base Shuffle，因为HashShuffle存在的不足所以就替换了HashShuffle。

Spark的运行主要分为2部分：一部分是驱动程序，其核心是 SparkContext ；另一部分是 Worker 节点上 Task ，它是运行实际任务的。程序运行的时候，Driver和Executor进程相互交互：运行什么任务，即 Driver 会分配 Task 到 Executor，Driver跟 Executor 进行网络传输; 任务数据从哪儿获取，即Task要从Driver 抓取其他上游的 Task的数据结果，所以有这个过程中就不断的产生网络结果。其中，下一个 Stage 向上一个 Stage 要数据这个过程，我们就称之为Shuffle。

2.2、优化之前的HashShuffle机制

在HashShuffle没有优化之前，每一个ShufflleMapTask会为每一个 ReduceTask 创建一个 bucket 缓存，并且会为每一个 bucket 创建一个文件。这个bucket存放的数据就是经过Partitioner操作（默认是HashPartitioner）之后找到对应的bucket然后放进去，最后将数据刷新bucket缓存的数据到磁盘上，即对应的block file。

然后ShuffleMapTask将输出作为MapStatus发送到DAGScheduler的MapOutputTrackerMaster，每一个MapStatus包含了每一个ResultTask要拉取的数据的位置和大小。

ResultTask然后去利用BlockStoreShuffleFetcher向MapOutputTrackerMaster获取MapStatus，看哪一份数据是属于自己的，然后底层通过BlockManager将数据拉取过来

拉取过来的数据会组成一个内部的ShuffleRDD，优先放入内存，内存不够用则放入磁盘，然后ResulTask开始进行聚合，最后生成我们希望获取的那个MapPartitionRDD。

缺点

在这里有1个worker，2个executor，每一个executor运行2个ShuffleMapTask，有三个ReduceTask，所以总共就有4 * 3=12个bucket和12个block file。

• 如果数据量较大，将会生成MR个小文件，比如ShuffleMapTask有100个，ResultTask有100个，这就会产生100*100=10000个小文件；
• bucket缓存很重要，需要将ShuffleMapTask所有数据都写入bucket，才会刷到磁盘，那么如果Map端数据过多，这就很容易造成内存溢出，尽管后面有优化，bucket写入的数据达到刷新到磁盘的阀值之后，就会将数据一点一点的刷新到磁盘，但是这样磁盘I/O就多了。

2.3、优化后的HashShuffle

每一个 Executor 进程根据核数，决定 Task 的并发数量，比如Executor核数是2，就是可以并发运行两个Task，如果是一个则只能运行一个Task；

假设Executor核数是1，ShuffleMapTask数量是M，那么它依然会根据ResultTask的数量R，创建R个bucket缓存，然后对key进行hash，数据进入不同的bucket中，每一个 bucket对应着一个block file，用于刷新bucket缓存里的数据；

然后下一个Task运行的时候，那么不会再创建新的bucket和block file，而是复用之前的Task已经创建好的bucket和block file。即所谓同一个Executor进程里所有Task都会把相同的key放入相同的bucket缓冲区中；

这样的话，生成文件的数量就是（本地 worker 的 Executor 数量 Executor 的 coresResultTask 数量）如上图所示，即2*1*3=6个文件，每一个Executor的ShuffleMapTask数量100，ResultTask数量为100，那么未优化的HashShuffle的文件数是2 * 1 * 100 * 100=20000，优化之后的数量是21 * 100=200文件，相当于少了100倍。

缺点

如果 Reducer端的并行任务或者是数据分片过多的话则 Core * Reducer Task 依旧过大，也会产生很多小文件。

3、Sort-Based Shuffle

2.1、HashShuffle回顾

HashShuffle写数据的时候，内存有一个bucket缓冲区，同时在本地磁盘有对应的本地文件，如果本地有文件，那么在内存应该也有文件句柄也是需要耗费内存的。也就是说，从内存的角度考虑，即有一部分存储数据，一部分管理文件句柄。如果Mapper分片数量为1000，Reduce分片数量为1000，那么总共就需要1000000个小文件。所以就会有很多内存消耗，频繁 IO 以及 GC 频繁或者出现内存溢出。

而且Reducer端读取Map端数据时，Mapper有这么多小文件，就需要打开很多网络通道读取，很容易造成Reducer（下一个stage）通过driver去拉取上一个stage数据的时候，说文件找不到，其实不是文件找不到而是程序不响应，因为正在GC。

2.2、Sorted-Based Shuffle介绍

为了缓解Shuffle过程产生文件数过多和Writer缓存开销过大的问题，Spark引入了类似于hadoop Map-Reduce的shuffle机制。该机制每一个ShuffleMapTask不会为后续的任务创建单独的文件，而是会将所有的 Task 结果写入同一个文件，并且对应生成一个索引文件。以前的数据是放在内存缓存中，等到数据完了再刷到磁盘，现在为了减少内存的使用，在内存不够用的时候，可以将输出溢写到磁盘，结束的时候，再将这些不同的文件联合内存的数据一起进行归并，从而减少内存的使用量。一方面文件数量显著减少，另一方面减少 Writer 缓存所占用的内存大小，而且同时避免 GC 的风险和频率。

Sort-Based Shuffle有几种不同的策略：BypassMergeSortShuffleWriter、SortShuffleWriter和UnasfeSortShuffleWriter。

对于BypassMergeSortShuffleWriter，使用这个模式特点：

• 主要用于处理不需要排序和聚合的Shuffle操作，所以数据是直接写入文件，数据量较大的时候，网络I/O和内存负担较重；
• 要适合处理Reducer任务数量比较少的情况下；
• 将每一个分区写入一个单独的文件，最后将这些文件合并,减少文件数量；但是这种方式需要并发打开多个文件，对内存消耗比较大。

因为BypassMergeSortShuffleWriter这种方式比SortShuffleWriter更快，所以如果在Reducer数量不大，又不需要在map端聚合和排序，而且Reducer的数目<spark.shuffle.sort.bypassMergeThrshold指定的阀值，就是用的是这种方式。

对于SortShuffleWriter，使用这个模式特点：

• 比较适合数据量很大的场景或者集群规模很大；
• 引入了外部外部排序器，可以支持在Map端进行本地聚合或者不聚合；
• 如果外部排序器enable了spill功能，如果内存不够，可以先将输出溢写到本地磁盘，最后将内存结果和本地磁盘的溢写文件进行合并。

另外这个Sort-Based Shuffle跟Executor核数没有关系，即跟并发度没有关系，它是每一个 ShuffleMapTask 都会产生一个 data 文件和 index 文件，所谓合并也只是将该 ShuffleMapTask 的各个 partition 对应的分区文件合并到 data 文件而已。所以这个就需要个Hash-BasedShuffle的consolidation机制区别开来。