Spark的Shuffle机制解析

SparkShuffle概念

reduceByKey会将上一个RDD中的每一个key对应的所有value聚合成一个value，然后生成一个新的RDD，元素类型是<key,value>对的形式，这样每一个key对应一个聚合起来的value。

问题：聚合之前，每一个key对应的value不一定都是在一个partition中，也不太可能在同一个节点上，因为RDD是分布式的弹性的数据集，RDD的partition极有可能分布在各个节点上。

如何聚合？

– Shuffle Write：上一个stage的每个map task就必须保证将自己处理的当前分区的数据相同的key写入一个分区文件中，可能会写入多个不同的分区文件中。

 – Shuffle Read：reduce task就会从上一个stage的所有task所在的机器上寻找属于己的那些分区文件，这样就可以保证每一个key所对应的value都会汇聚到同一个节点上去处理和聚合。

Spark中有两种Shuffle管理类型，HashShufflManager和SortShuffleManager，Spark1.2之前是HashShuffleManager， Spark1.2引入SortShuffleManager,在Spark 2.0+版本中已经将HashShuffleManager丢弃。

1. HashShuffleManager

1)        普通机制

• 普通机制示意图

 

 

• 执行流程

a)        每一个map task将不同结果写到不同的buffer中，每个buffer的大小为32K。buffer起到数据缓存的作用。

b)        每个buffer文件最后对应一个磁盘小文件。

c)        reduce task来拉取对应的磁盘小文件。

• 总结

①    .map task的计算结果会根据分区器（默认是hashPartitioner）来决定写入到哪一个磁盘小文件中去。ReduceTask会去Map端拉取相应的磁盘小文件。

②    .产生的磁盘小文件的个数：

M（map task的个数）*R（reduce task的个数）

• 存在的问题

产生的磁盘小文件过多，会导致以下问题：

a)        在Shuffle Write过程中会产生很多写磁盘小文件的对象。

b)        在Shuffle Read过程中会产生很多读取磁盘小文件的对象。

c)        在JVM堆内存中对象过多会造成频繁的gc,gc还无法解决运行所需要的内存 的话，就会OOM。

d)        在数据传输过程中会有频繁的网络通信，频繁的网络通信出现通信故障的可能性大大增加，一旦网络通信出现了故障会导致shuffle file cannot find 由于这个错误导致的task失败，TaskScheduler不负责重试，由DAGScheduler负责重试Stage。

2)        合并机制

• 合并机制示意图

 

 

• 总结

产生磁盘小文件的个数：C(core的个数)*R（reduce的个数）

1. SortShuffleManager

1)        普通机制

• 普通机制示意图

 

 

• 执行流程

a)        map task 的计算结果会写入到一个内存数据结构里面，内存数据结构默认是5M

b)        在shuffle的时候会有一个定时器，不定期的去估算这个内存结构的大小，当内存结构中的数据超过5M时，比如现在内存结构中的数据为5.01M，那么他会申请5.01*2-5=5.02M内存给内存数据结构。

c)        如果申请成功不会进行溢写，如果申请不成功，这时候会发生溢写磁盘。

d)        在溢写之前内存结构中的数据会进行排序分区

e)        然后开始溢写磁盘，写磁盘是以batch的形式去写，一个batch是1万条数据，

f)         map task执行完成后，会将这些磁盘小文件合并成一个大的磁盘文件，同时生成一个索引文件。

g)        reduce task去map端拉取数据的时候，首先解析索引文件，根据索引文件再去拉取对应的数据。

• 总结

产生磁盘小文件的个数： 2*M（map task的个数）

2)        bypass机制

• bypass机制示意图

 

 

• 总结

①    .bypass运行机制的触发条件如下：

shuffle reduce task的数量小于spark.shuffle.sort.bypassMergeThreshold的参数值。这个值默认是200。

②    .产生的磁盘小文件为：2*M（map task的个数）

1. Shuffle文件寻址

1)        MapOutputTracker

MapOutputTracker是Spark架构中的一个模块，是一个主从架构。管理磁盘小文件的地址。

• MapOutputTrackerMaster是主对象，存在于Driver中。
• MapOutputTrackerWorker是从对象，存在于Excutor中。

2)        BlockManager

BlockManager块管理者，是Spark架构中的一个模块，也是一个主从架构。

• BlockManagerMaster,主对象，存在于Driver中。

BlockManagerMaster会在集群中有用到广播变量和缓存数据或者删除缓存数据的时候，通知BlockManagerSlave传输或者删除数据。

• BlockManagerSlave，从对象，存在于Excutor中。

BlockManagerSlave会与BlockManagerSlave之间通信。

¬  无论在Driver端的BlockManager还是在Excutor端的BlockManager都含有三个对象：

①        DiskStore:负责磁盘的管理。

②        MemoryStore：负责内存的管理。

③        BlockTransferService:负责数据的传输。

3)        Shuffle文件寻址图

 

4)        Shuffle文件寻址流程

a)        当map task执行完成后，会将task的执行情况和磁盘小文件的地址封装到MpStatus对象中，通过MapOutputTrackerWorker对象向Driver中的MapOutputTrackerMaster汇报。

b)        在所有的map task执行完毕后，Driver中就掌握了所有的磁盘小文件的地址。

c)        在reduce task执行之前，会通过Excutor中MapOutPutTrackerWorker向Driver端的MapOutputTrackerMaster获取磁盘小文件的地址。

d)        获取到磁盘小文件的地址后，会通过BlockManager连接数据所在节点，然后通过BlockTransferService进行数据的传输。

e)        BlockTransferService默认启动5个task去节点拉取数据。默认情况下，5个task拉取数据量不能超过48M。