這期內(nèi)容當(dāng)中小編將會給大家?guī)碛嘘P(guān)如何進(jìn)行Spark Shuffle 原理分析，文章內(nèi)容豐富且以專業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

10年積累的網(wǎng)站制作、成都網(wǎng)站制作經(jīng)驗(yàn)，可以快速應(yīng)對客戶對網(wǎng)站的新想法和需求。提供各種問題對應(yīng)的解決方案。讓選擇我們的客戶得到更好、更有力的網(wǎng)絡(luò)服務(wù)。我雖然不認(rèn)識你，你也不認(rèn)識我。但先網(wǎng)站設(shè)計(jì)后付款的網(wǎng)站建設(shè)流程，更有江北免費(fèi)網(wǎng)站建設(shè)讓你可以放心的選擇與我們合作。

Spark Shuffle原理分析

 Shuffle就是對數(shù)據(jù)進(jìn)行重組，由于分布式計(jì)算的特性和要求，在實(shí)現(xiàn)細(xì)節(jié)上更加繁瑣和復(fù)雜。
 在MapReduce框架，Shuffle是連接Map和Reduce之間的橋梁，Map階段通過shuffle讀取數(shù)據(jù)并輸出到對應(yīng)的Reduce；而Reduce階段負(fù)責(zé)從Map端拉取數(shù)據(jù)并進(jìn)行計(jì)算。在整個shuffle過程中，往往伴隨著大量的磁盤和網(wǎng)絡(luò)I/O。所以shuffle性能的高低也直接決定了整個程序的性能高低。Spark也會有自己的shuffle實(shí)現(xiàn)過程。

 在DAG調(diào)度的過程中，Stage階段的劃分是根據(jù)是否有shuffle過程，也就是存在wide Dependency寬依賴的時候,需要進(jìn)行shuffle,這時候會將作業(yè)job劃分成多個Stage，每一個stage內(nèi)部有很多可以并行運(yùn)行的task。
 
 stage與stage之間的過程就是shuffle階段，在Spark的中，負(fù)責(zé)shuffle過程的執(zhí)行、計(jì)算和處理的組件主要就是ShuffleManager，也即shuffle管理器。ShuffleManager隨著Spark的發(fā)展有兩種實(shí)現(xiàn)的方式，分別為HashShuffleManager和SortShuffleManager，因此spark的Shuffle有Hash Shuffle和Sort Shuffle兩種。

HashShuffle機(jī)制

 在Spark 1.2以前，默認(rèn)的shuffle計(jì)算引擎是HashShuffleManager。
 該ShuffleManager-HashShuffleManager有著一個非常嚴(yán)重的弊端，就是會產(chǎn)生大量的中間磁盤文件，進(jìn)而由大量的磁盤IO操作影響了性能。因此在Spark 1.2以后的版本中，默認(rèn)的ShuffleManager改成了SortShuffleManager。
 SortShuffleManager相較于HashShuffleManager來說，有了一定的改進(jìn)。主要就在于每個Task在進(jìn)行shuffle操作時，雖然也會產(chǎn)生較多的臨時磁盤文件，但是最后會將所有的臨時文件合并(merge)成一個磁盤文件，因此每個Task就只有一個磁盤文件。在下一個stage的shuffle read task拉取自己的數(shù)據(jù)時，只要根據(jù)索引讀取每個磁盤文件中的部分?jǐn)?shù)據(jù)即可。

• Hash shuffle

• 一種是普通運(yùn)行機(jī)制

• 另一種是合并的運(yùn)行機(jī)制。

• HashShuffleManager的運(yùn)行機(jī)制主要分成兩種

• 合并機(jī)制主要是通過復(fù)用buffer來優(yōu)化Shuffle過程中產(chǎn)生的小文件的數(shù)量。

• Hash shuffle是不具有排序的Shuffle。

普通機(jī)制的Hash shuffle

圖解

   這里我們先明確一個假設(shè)前提：每個Executor只有1個CPU core，也就是說，無論這個Executor上分配多少個task線程，同一時間都只能執(zhí)行一個task線程。

    圖中有3個ReduceTask，從ShuffleMapTask 開始那邊各自把自己進(jìn)行 Hash 計(jì)算(分區(qū)器：hash/numreduce取模)，分類出3個不同的類別，每個 ShuffleMapTask 都分成3種類別的數(shù)據(jù)，想把不同的數(shù)據(jù)匯聚然后計(jì)算出最終的結(jié)果，所以ReduceTask 會在屬于自己類別的數(shù)據(jù)收集過來，匯聚成一個同類別的大集合，每1個 ShuffleMapTask 輸出3份本地文件，這里有4個 ShuffleMapTask，所以總共輸出了4 x 3個分類文件 = 12個本地小文件。

shuffle Write階段

 主要就是在一個stage結(jié)束計(jì)算之后，為了下一個stage可以執(zhí)行shuffle類的算子(比如reduceByKey，groupByKey)，而將每個task處理的數(shù)據(jù)按key進(jìn)行“分區(qū)”。所謂“分區(qū)”，就是對相同的key執(zhí)行hash算法，從而將相同key都寫入同一個磁盤文件中，而每一個磁盤文件都只屬于reduce端的stage的一個task。在將數(shù)據(jù)寫入磁盤之前，會先將數(shù)據(jù)寫入內(nèi)存緩沖中，當(dāng)內(nèi)存緩沖填滿之后，才會溢寫到磁盤文件中去。

     那么每個執(zhí)行shuffle write的task，要為下一個stage創(chuàng)建多少個磁盤文件呢? 很簡單，下一個stage的task有多少個，當(dāng)前stage的每個task就要創(chuàng)建多少份磁盤文件。比如下一個stage總共有100個task，那么當(dāng)前stage的每個task都要創(chuàng)建100份磁盤文件。如果當(dāng)前stage有50個task，總共有10個Executor，每個Executor執(zhí)行5個Task，那么每個Executor上總共就要創(chuàng)建500個磁盤文件，所有Executor上會創(chuàng)建5000個磁盤文件。由此可見，未經(jīng)優(yōu)化的shuffle write操作所產(chǎn)生的磁盤文件的數(shù)量是極其驚人的。

shuffle Read階段

 shuffle read，通常就是一個stage剛開始時要做的事情。此時該stage的每一個task就需要將上一個stage的計(jì)算結(jié)果中的所有相同key，從各個節(jié)點(diǎn)上通過網(wǎng)絡(luò)都拉取到自己所在的節(jié)點(diǎn)上，然后進(jìn)行key的聚合或連接等操作。由于shuffle write的過程中，task給Reduce端的stage的每個task都創(chuàng)建了一個磁盤文件，因此shuffle read的過程中，每個task只要從上游stage的所有task所在節(jié)點(diǎn)上，拉取屬于自己的那一個磁盤文件即可。

  shuffle read的拉取過程是一邊拉取一邊進(jìn)行聚合的。每個shuffle read task都會有一個自己的buffer緩沖，每次都只能拉取與buffer緩沖相同大小的數(shù)據(jù)，然后通過內(nèi)存中的一個Map進(jìn)行聚合等操作。聚合完一批數(shù)據(jù)后，再拉取下一批數(shù)據(jù)，并放到buffer緩沖中進(jìn)行聚合操作。以此類推，直到最后將所有數(shù)據(jù)到拉取完，并得到最終的結(jié)果。

注意

（1）buffer起到的是緩存作用，緩存能夠加速寫磁盤，提高計(jì)算的效率,buffer的默認(rèn)大小32k。
（2）分區(qū)器：根據(jù)hash/numRedcue取模決定數(shù)據(jù)由幾個Reduce處理，也決定了寫入幾個buffer中
（3）block file：磁盤小文件，從圖中我們可以知道磁盤小文件的個數(shù)計(jì)算公式：
                 block file=M*R
 (4) M為map task的數(shù)量，R為Reduce的數(shù)量，一般Reduce的數(shù)量等于buffer的數(shù)量，都是由分區(qū)器決定的

Hash shuffle普通機(jī)制的問題

（1).Shuffle階段在磁盤上會產(chǎn)生海量的小文件，建立通信和拉取數(shù)據(jù)的次數(shù)變多,此時會產(chǎn)生大量耗時低效的 IO 操作 (因?yàn)楫a(chǎn)生過多的小文件)

（2).可能導(dǎo)致OOM，大量耗時低效的 IO 操作 ，導(dǎo)致寫磁盤時的對象過多，讀磁盤時候的對象也過多，這些對象存儲在堆內(nèi)存中，會導(dǎo)致堆內(nèi)存不足，相應(yīng)會導(dǎo)致頻繁的GC，GC會導(dǎo)致OOM。由于內(nèi)存中需要保存海量文件操作句柄和臨時信息，如果數(shù)據(jù)處理的規(guī)模比較龐大的話，內(nèi)存不可承受，會出現(xiàn) OOM 等問題

合并機(jī)制的Hash shuffle

 合并機(jī)制就是復(fù)用buffer緩沖區(qū)，開啟合并機(jī)制的配置是spark.shuffle.consolidateFiles。該參數(shù)默認(rèn)值為false，將其設(shè)置為true即可開啟優(yōu)化機(jī)制。通常來說，如果我們使用HashShuffleManager，那么都建議開啟這個選項(xiàng)。

圖解

 這里有6個這里有6個shuffleMapTask，數(shù)據(jù)類別還是分成3種類型，因?yàn)镠ash算法會根據(jù)你的 Key 進(jìn)行分類，在同一個進(jìn)程中，無論是有多少過Task，都會把同樣的Key放在同一個Buffer里，然后把Buffer中的數(shù)據(jù)寫入以Core數(shù)量為單位的本地文件中，(一個Core只有一種類型的Key的數(shù)據(jù))，每1個Task所在的進(jìn)程中，分別寫入共同進(jìn)程中的3份本地文件，這里有6個shuffleMapTasks，所以總共輸出是 2個Cores x 3個分類文件 = 6個本地小文件。

注意

（1).啟動HashShuffle的合并機(jī)制ConsolidatedShuffle的配置
   spark.shuffle.consolidateFiles=true（2).block file=Core*R
 Core為CPU的核數(shù)，R為Reduce的數(shù)量

Hash shuffle合并機(jī)制的問題

 如果 Reducer 端的并行任務(wù)或者是數(shù)據(jù)分片過多的話則 Core * Reducer Task 依舊過大，也會產(chǎn)生很多小文件。

Sort shuffle

• SortShuffleManager的運(yùn)行機(jī)制主要分成兩種，

• 一種是普通運(yùn)行機(jī)制

• 另一種是bypass運(yùn)行機(jī)制

Sort shuffle的普通機(jī)制

 在該模式下，數(shù)據(jù)會先寫入一個數(shù)據(jù)結(jié)構(gòu)，聚合算子寫入Map，一邊通過Map局部聚合，一邊寫入內(nèi)存。Join算子寫入ArrayList直接寫入內(nèi)存中。然后需要判斷是否達(dá)到閾值（5M），如果達(dá)到就會將內(nèi)存數(shù)據(jù)結(jié)構(gòu)的數(shù)據(jù)寫入到磁盤，清空內(nèi)存數(shù)據(jù)結(jié)構(gòu)。

在溢寫磁盤前，先根據(jù)key進(jìn)行排序，排序過后的數(shù)據(jù)，會分批寫入到磁盤文件中。默認(rèn)批次為10000條，數(shù)據(jù)會以每批一萬條寫入到磁盤文件。寫入磁盤文件通過緩沖區(qū)溢寫的方式，每次溢寫都會產(chǎn)生一個磁盤文件，也就是說一個task過程會產(chǎn)生多個臨時文件
。

最后在每個task中，將所有的臨時文件合并，這就是merge過程，此過程將所有臨時文件讀取出來，一次寫入到最終文件。意味著一個task的所有數(shù)據(jù)都在這一個文件中。同時單獨(dú)寫一份索引文件，標(biāo)識下游各個task的數(shù)據(jù)在文件中的索引start offset和end offset。

 這樣算來如果第一個stage 50個task，每個Executor執(zhí)行一個task，那么無論下游有幾個task，就需要50*2=100個磁盤文件。

好處

1. 小文件明顯變少了，一個task只生成一個file文件
2. file文件整體有序，加上索引文件的輔助，查找變快，雖然排序浪費(fèi)一些性能，但是查找變快很多

bypass模式的sortShuffle

bypass機(jī)制運(yùn)行條件

• shuffle map task數(shù)量小于spark.shuffle.sort.bypassMergeThreshold參數(shù)的值

• 不是聚合類的shuffle算子（比如reduceByKey）

好處

    該機(jī)制與sortshuffle的普通機(jī)制相比，在shuffleMapTask不多的情況下，首先寫的機(jī)制是不同，其次不會進(jìn)行排序。這樣就可以節(jié)約一部分性能開銷。

總結(jié)

在shuffleMapTask數(shù)量小于默認(rèn)值200時，啟用bypass模式的sortShuffle(原因是數(shù)據(jù)量本身比較少，沒必要進(jìn)行sort全排序，因?yàn)閿?shù)據(jù)量少本身查詢速度就快，正好省了sort的那部分性能開銷。)

該機(jī)制與普通SortShuffleManager運(yùn)行機(jī)制的不同在于：
  第一: 磁盤寫機(jī)制不同；
  第二: 不會進(jìn)行sort排序；

Shuffle調(diào)優(yōu)

Shuffle核心組件

碰到ShuffleDenpendency就進(jìn)行stage的劃分，ShuffleMapStage: 為shuffle提供數(shù)據(jù)的中間stage，ResultStage: 為一個action操作計(jì)算結(jié)果的stage。

Shuffle原理剖析

MapOutputTracker

解決的一個問題是resut task如何知道從哪個Executor去拉取Shuffle data

ShuffleWriter

（1）HashShuffleWriter

特點(diǎn)：根據(jù)Hash分區(qū)，分區(qū)數(shù)是m * n 個。

val counts: RDD[(String, Int)] 
 = wordCount.reduceByKey(new HashPartitioner(2), (x, y) => x + y)

（2）SortShuffleWriter

特點(diǎn)：

a、文件數(shù)量為m

b、如果需要排序或者需要combine，那么每一個partition數(shù)據(jù)排序要自己實(shí)現(xiàn)。（SortShuffleWriter里的sort指的是對partition的分區(qū)號進(jìn)行排序）

c、數(shù)據(jù)先放在內(nèi)存,內(nèi)存不夠則寫到磁盤中,最后再全部寫到磁盤。

（3）BypassMergeSortShuffleWriter

這種模式同時具有HashShuffleWriter和SortShuffleter的特點(diǎn)。因?yàn)槠鋵?shí)HashShufflerWriter的性能不錯，但是如果task數(shù)太多的話，性能話下降，所以Spark在task數(shù)較少的時候自動使用了這種模式，一開始還是像HashShufflerWriter那種生成多個文件，但是最后會把多個文件合并成一個文件。然后下游來讀取文件。默認(rèn)map的分區(qū)需要小于spark.shuffle.sort.bypassMergeThreshold(默認(rèn)是200),因?yàn)槿绾畏謪^(qū)數(shù)太多，產(chǎn)生的小文件就會很多性能就會下降。

Spark Shuffle參數(shù)調(diào)優(yōu)

spark.shuffle.file.buffer

• 默認(rèn)值：32k

• 參數(shù)說明：該參數(shù)用于設(shè)置shuffle write task的BufferedOutputStream的buffer緩沖大小。將數(shù)據(jù)寫到磁盤文件之前，會先寫入buffer緩沖中，待緩沖寫滿之后，才會溢寫到磁盤。

• 調(diào)優(yōu)建議：如果作業(yè)可用的內(nèi)存資源較為充足的話，可以適當(dāng)增加這個參數(shù)的大?。ū热?4k），從而減少shuffle write過程中溢寫磁盤文件的次數(shù)，也就可以減少磁盤IO次數(shù)，進(jìn)而提升性能。在實(shí)踐中發(fā)現(xiàn)，合理調(diào)節(jié)該參數(shù)，性能會有1%~5%的提升。

spark.reducer.maxSizeInFlight

• 默認(rèn)值：48m

• 參數(shù)說明：該參數(shù)用于設(shè)置shuffle read task的buffer緩沖大小，而這個buffer緩沖決定了每次能夠拉取多少數(shù)據(jù)。

• 調(diào)優(yōu)建議：如果作業(yè)可用的內(nèi)存資源較為充足的話，可以適當(dāng)增加這個參數(shù)的大?。ū热?6m），從而減少拉取數(shù)據(jù)的次數(shù)，也就可以減少網(wǎng)絡(luò)傳輸?shù)拇螖?shù)，進(jìn)而提升性能。在實(shí)踐中發(fā)現(xiàn)，合理調(diào)節(jié)該參數(shù)，性能會有1%~5%的提升。

spark.shuffle.io.maxRetries

• 默認(rèn)值：3

• 參數(shù)說明：shuffle read task從shuffle write task所在節(jié)點(diǎn)拉取屬于自己的數(shù)據(jù)時，如果因?yàn)榫W(wǎng)絡(luò)異常導(dǎo)致拉取失敗，是會自動進(jìn)行重試的。該參數(shù)就代表了可以重試的最大次數(shù)。如果在指定次數(shù)之內(nèi)拉取還是沒有成功，就可能會導(dǎo)致作業(yè)執(zhí)行失敗。

• 調(diào)優(yōu)建議：對于那些包含了特別耗時的shuffle操作的作業(yè)，建議增加重試最大次數(shù)（比如60次），以避免由于JVM的full gc或者網(wǎng)絡(luò)不穩(wěn)定等因素導(dǎo)致的數(shù)據(jù)拉取失敗。在實(shí)踐中發(fā)現(xiàn)，對于針對超大數(shù)據(jù)量（數(shù)十億~上百億）的shuffle過程，調(diào)節(jié)該參數(shù)可以大幅度提升穩(wěn)定性。

spark.shuffle.io.retryWait

• 默認(rèn)值：5s

• 參數(shù)說明：具體解釋同上，該參數(shù)代表了每次重試?yán)?shù)據(jù)的等待間隔，默認(rèn)是5s。

• 調(diào)優(yōu)建議：建議加大間隔時長（比如60s），以增加shuffle操作的穩(wěn)定性。

spark.shuffle.memoryFraction

（Spark1.6是這個參數(shù)，1.6以后參數(shù)變了，具體參考上一講Spark內(nèi)存模型知識）

• 默認(rèn)值：0.2

• 參數(shù)說明：該參數(shù)代表了Executor內(nèi)存中，分配給shuffle read task進(jìn)行聚合操作的內(nèi)存比例，默認(rèn)是20%。

• 調(diào)優(yōu)建議：在資源參數(shù)調(diào)優(yōu)中講解過這個參數(shù)。如果內(nèi)存充足，而且很少使用持久化操作，建議調(diào)高這個比例，給shuffle read的聚合操作更多內(nèi)存，以避免由于內(nèi)存不足導(dǎo)致聚合過程中頻繁讀寫磁盤。在實(shí)踐中發(fā)現(xiàn)，合理調(diào)節(jié)該參數(shù)可以將性能提升10%左右。

spark.shuffle.manager

• 默認(rèn)值：sort

• 參數(shù)說明：該參數(shù)用于設(shè)置ShuffleManager的類型。Spark 1.5以后，有三個可選項(xiàng)：hash、sort和tungsten-sort。HashShuffleManager是Spark 1.2以前的默認(rèn)選項(xiàng)，但是Spark 1.2以及之后的版本默認(rèn)都是SortShuffleManager了。Spark1.6以后把hash方式給移除了，tungsten-sort與sort類似，但是使用了tungsten計(jì)劃中的堆外內(nèi)存管理機(jī)制，內(nèi)存使用效率更高。

• 調(diào)優(yōu)建議：由于SortShuffleManager默認(rèn)會對數(shù)據(jù)進(jìn)行排序，因此如果你的業(yè)務(wù)邏輯中需要該排序機(jī)制的話，則使用默認(rèn)的SortShuffleManager就可以；而如果你的業(yè)務(wù)邏輯不需要對數(shù)據(jù)進(jìn)行排序，那么建議參考后面的幾個參數(shù)調(diào)優(yōu)，通過bypass機(jī)制或優(yōu)化的HashShuffleManager來避免排序操作，同時提供較好的磁盤讀寫性能。這里要注意的是，tungsten-sort要慎用，因?yàn)橹鞍l(fā)現(xiàn)了一些相應(yīng)的bug。

spark.shuffle.sort.bypassMergeThreshold

• 默認(rèn)值：200

• 參數(shù)說明：當(dāng)ShuffleManager為SortShuffleManager時，如果shuffle read task的數(shù)量小于這個閾值（默認(rèn)是200），則shuffle write過程中不會進(jìn)行排序操作，而是直接按照未經(jīng)優(yōu)化的HashShuffleManager的方式去寫數(shù)據(jù)，但是最后會將每個task產(chǎn)生的所有臨時磁盤文件都合并成一個文件，并會創(chuàng)建單獨(dú)的索引文件。

• 調(diào)優(yōu)建議：當(dāng)你使用SortShuffleManager時，如果的確不需要排序操作，那么建議將這個參數(shù)調(diào)大一些，大于shuffle read task的數(shù)量。那么此時就會自動啟用bypass機(jī)制，map-side就不會進(jìn)行排序了，減少了排序的性能開銷。但是這種方式下，依然會產(chǎn)生大量的磁盤文件，因此shuffle write性能有待提高。

上述就是小編為大家分享的如何進(jìn)行Spark Shuffle 原理分析了，如果剛好有類似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。