【大数据开发工程师】面试——Spark Shuffle

引起shuffle的算子

所谓shuffle就是指把数据打乱重新组合。指数据从map task输出到reduce task输入的这段过程。

引起shuffle的算子有：

1. repartition类的操作：repartition, coaleasce等
2. ByKey类的操作：reduceByKey, groupByKey,  SortByKey等。相同的Key会到同一个节点上进行处理。
3. join类的操作：join, cogroup等

所谓分区，就是对key执行hash算法。

Shuffle的原理

Spark Shuffle分为map side 和 reduce side。

一般将map task端的数据准备的shuffle阶段称为Shuffle Write,将reduce task端数据拷贝的阶段称为Shuffle Read。

reduce task会跨节点去拉取其他节点上的map task结果，一边拉取一边聚合。这一过程会消耗网络资源、内存和磁盘IO。

Hadoop Shuffle

 另：map个数等于切片个数，reduce个数等于分区个数。

Spark Shuffle

reduce task的个数 是 上个stage最后一个task的partition个数，也即下一个stage 的task的个数。

Spark Shuffle的分类

 Spark中，负责Shuffle过程的执行、计算和处理的组件主要就是ShuffleManager。ShuffleManager有两种实现方式：HashShuffleManager和SortShuffleManager，因此Spark Shuffle有两种：Hash Shuffle 和Sort Shuffle

• Hash Shuffle。 一个map task 产生reduce task个文件
  • 未优化。普通运行机制：
    • 2个map task * 3个reduce task = 6个小文件（一个executor上）
  • 优化。合并运行机制:  复用buffer
    • core * 3个reduce task  = 3个小文件（一个executor上）
• Sort Shuffle 一个map task产生一个文件。有索引文件+数据文件
  • 未优化.普通运行机制。
  • 优化。bypass运行机制。排序

Hash Shuffle

1.2 之前，默认是HashShuffleManager引擎。

假定一个executor只有一个CPU core，同一时间执行执行一个task线程。

map task主要是进行分区然后将数据写入不同文件这样一个工作。

未优化的普通运行机制

 每个reduce read task都有自己的buffer缓冲（默认32k），每次只能拉取与buffer缓冲相同大小的数据，然后通过内存中的map等操作进行聚合。聚合完一批数据后，再拉取下一批数据，直到所有的数据拉取完。

存在的问题：

1. 海量小文件。导致建立通讯和拉取数据次数变多，产生大量耗时IO操作。

优化的合并运行机制

 复用shuffleFileGroup的write buffer。

如何开启：spark.shuffle.consolidateFiles=true (默认是false)

一个Executor上有多少个CPU core，就可以并行执行多少个task。而第一批并行执行的每个task都会创建一个shuffleFileGroup，每个shuffleFileGroup会对应一批磁盘文件，并将数据写入对应的磁盘文件内。

执行下一批task时，下一批task就会复用之前已有的shuffleFileGroup，包括其中的磁盘文件。这样就可以有效将多个task的磁盘文件进行一定程度上的合并，从而大幅度减少磁盘文件的数量，进而提升shuffle write的性能。

Sort Shuffle

当shuffle read task的数量小于等于spark.shuffle.sort.bypassMergeThreshold参数的值时(默认为200)，或不是聚合类的shuffle算子，就会启用bypass机制。

map task：缓存（分区+排序）、溢写、merge,一个task对应一个数据文件和一份索引文件。

普通运行机制

 在该模式下，数据会先写入一个内存数据结构中(默认5M)，此时根据不同的shuffle算子，可能选用不同的数据结构。如果是reduceByKey这种聚合类的shuffle算子，那么会选用Map数据结构，一边通过Map进行聚合，一边写入内存;如果是join这种普通的shuffle算子，那么会选用Array数据结构，直接写入内存。接着，每写一条数据进入内存数据结构之后，就会判断一下，是否达到了某个临界阈值。如果达到临界阈值的话，那么就会尝试将内存数据结构中的数据溢写到磁盘，然后清空内存数据结构。

bypass运行机制

而该机制与普通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。

---

参考文章：

https://www.cnblogs.com/itboys/p/9226479.html