SparkShuffle是如何去拉取文件数据的

首先来了解几个概念：

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。

• BlockManagerWorker，从对象，存在于Excutor中。

BlockManagerWorker会与BlockManagerWorker之间通信。

 无论在Driver端的BlockManager还是在Excutor端的BlockManager都含有四个对象：

①      DiskStore:负责磁盘的管理。

②      MemoryStore：负责内存的管理。

③      ConnectionManager：负责连接其他的 BlockManagerWorker。

④      BlockTransferService:负责数据的传输。

   Shuffle文件寻找文件的流程图

Shuffle文件拉取流程：

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(BlockManagerWork)中的ConnectionManager连接数据所在节点上的ConnectionManager（BlockManagerWork）,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。