CC00096.spark——|Hadoop&Spark.V12|——|Spark.v12|Spark 原理 源码|Shuffle详解|

一、Shuffle详解

### --- shuffle详解

~~~     在 Spark 或 MapReduce 分布式计算框架中，数据被分成一块一块的分区，
~~~     分布在集群中各节点上，每个计算任务一次处理一个分区，
~~~     当需要对具有某种共同特征的一类数据进行计算时，就需要将集群中的这类数据汇聚到同一节点。
~~~     这个按照一定的规则对数据重新分区的过程就是Shuffle。

二、Spark Shuffle的两个阶段

### --- Spark Shuffle的两个阶段

~~~     对于Spark来讲，一些Transformation或Action算子会让RDD产生宽依赖，
~~~     即Parent RDD中的每个Partition被childRDD中的多个Partition使用，这时需要进行Shuffle，
~~~     根据Record的key对parent RDD进行重新分区。
~~~     以Shuffle为边界，Spark将一个Job划分为不同的Stage。
~~~     Spark的Shuffle分为Write和Read两个阶段，分属于两个不同的Stage，
~~~     前者是Parent Stage的最后一步，后者是Child Stage的第一步。

三、Spark Shuffle执行流程图

### --- Spark 的 Stage 分为两种：

~~~     ResultStage。负责返回计算结果
~~~     ShuffleMapStage。其他的均为ShuffleMapStage

### --- 如果按照 map 端和 reduce 端来分析的话：

~~~     ShuffleMapStage可以即是map端任务，又是reduce端任务
~~~     ResultStage只能充当reduce端任务

### --- Spark Shuffle的流程简单抽象为以下几步：

~~~     Shuffle Write
~~~     Map side combine (if needed)
~~~     Write to local output file
~~~     Shuffle Read
~~~     Block fetch
~~~     Reduce side combine
~~~     Sort (if needed)

四、Spark Shuffle技术演进

### --- 在Spark Shuffle的实现上，经历了Hash、Sort、Tungsten-Sort三阶段：

~~~     Spark 0.8及以前 Hash Based Shuffle
~~~     Spark 0.8.1 为Hash Based Shuffle引入File Consolidation机制
~~~     Spark 0.9 引入ExternalAppendOnlyMap
~~~     Spark 1.1 引入Sort Based Shuffle，但默认仍为Hash Based Shuffle
~~~     Spark 1.2 默认的Shuffle方式改为Sort Based Shuffle
~~~     Spark 1.4 引入Tungsten-Sort Based Shuffle
~~~     Spark 1.6 Tungsten-sort并入Sort Based Shuffle
~~~     Spark 2.0 Hash Based Shuffle退出历史舞台

### --- 简单的说：

~~~     Spark 1.1 以前是Hash Shuffle
~~~     Spark 1.1 引入了Sort Shuffle
~~~     Spark 1.6 将Tungsten-sort并入Sort Shuffle(利用对外内存进行排序)
~~~     Spark 2.0 Hash Shuffle退出历史舞台