spark core源码分析16 Shuffle详解－读流程

博客地址: http://blog.csdn.net/yueqian_zhu/

shuffle的读流程也是从compute方法开始的

override def compute(split: Partition, context: TaskContext): Iterator[(K, C)] = {
    val dep = dependencies.head.asInstanceOf[ShuffleDependency[K, V, C]]
    SparkEnv.get.shuffleManager.getReader(dep.shuffleHandle, split.index, split.index + 1, context)
      .read()
      .asInstanceOf[Iterator[(K, C)]]
  }

目前来说，不管是sortShuffleManager还是hashShuffleManager，getReader方法返回的都是HashShuffleReader。

接着调用read方法，如下：

/** Read the combined key-values for this reduce task */
  override def read(): Iterator[Product2[K, C]] = {
    val ser = Serializer.getSerializer(dep.serializer)
    val iter = BlockStoreShuffleFetcher.fetch(handle.shuffleId, startPartition, context, ser)

    val aggregatedIter: Iterator[Product2[K, C]] = if (dep.aggregator.isDefined) {
      if (dep.mapSideCombine) {
        new InterruptibleIterator(context, dep.aggregator.get.combineCombinersByKey(iter, context))
      } else {
        new InterruptibleIterator(context, dep.aggregator.get.combineValuesByKey(iter, context))
      }
    } else {
      require(!dep.mapSideCombine, "Map-side combine without Aggregator specified!")

      // Convert the Product2s to pairs since this is what downstream RDDs currently expect
      iter.asInstanceOf[Iterator[Product2[K, C]]].map(pair => (pair._1, pair._2))
    }

    // Sort the output if there is a sort ordering defined.
    dep.keyOrdering match {
      case Some(keyOrd: Ordering[K]) =>
        // Create an ExternalSorter to sort the data. Note that if spark.shuffle.spill is disabled,
        // the ExternalSorter won't spill to disk.
        val sorter = new ExternalSorter[K, C, C](ordering = Some(keyOrd), serializer = Some(ser))
        sorter.insertAll(aggregatedIter)
        context.taskMetrics.incMemoryBytesSpilled(sorter.memoryBytesSpilled)
        context.taskMetrics.incDiskBytesSpilled(sorter.diskBytesSpilled)
        sorter.iterator
      case None =>
        aggregatedIter
    }
  }

该方法首先调用了fetch方法，介绍一下

1、在task运行那节介绍过，shuffleMapTask运行完成后，会将shuffleId及mapstatus的映射注册到mapOutputTracker中

2、fetch方法首先尝试在本地mapstatuses中查找是否有该shuffleId的信息，有则本地取；否则想master的mapOutputTracker请求并读取，返回块管理器的地址和对应partition的文件长度

3、然后根据我们得到的shuffleId等信息去remote或者local通过netty/nio读取，返回一个迭代器

4、返回的迭代器中的数据并不是全部在内存中的，读取时会根据配置的内存最大值来读取。内存不够的话，下一个待读取

fetch方法返回一个迭代器后，根据是否mapSideCombine来区分时候需要将读取到的数据进行合并操作。合并过程与写流程类似，内存放不下就写入本地磁盘。

如果还需要keyOrdering的，new一个ExternalSorter进行外部排序。之后也是同shuffle写流程的insertAll。