剖析Hadoop和Spark的Shuffle过程差异（一）

　　一、前言
　　
　　对于基于MapReduce编程范式的分布式计算来说，本质上而言，就是在计算数据的交、并、差、聚合、排序等过程。而分布式计算分而治之的思想，让每个节点只计算部分数据，也就是只处理一个分片，那么要想求得某个key对应的全量数据，那就必须把相同key的数据汇集到同一个Reduce任务节点来处理，那么Mapreduce范式定义了一个叫做Shuffle的过程来实现这个效果。
　　
　　二、编写本文的目的
　　
　　本文旨在剖析Hadoop和Spark的Shuffle过程，并对比两者Shuffle的差异。
　　
　　三、Hadoop的Shuffle过程
　　
　　Shuffle描述的是数据从Map端到Reduce端的过程，大致分为排序（sort）、溢写（spill）、合并（merge）、拉取拷贝（Copy）、合并排序（merge sort）这几个过程，大体流程如下：
　　
　　上图的Map的输出的文件被分片为红绿蓝三个分片，这个分片的就是根据Key为条件来分片的，分片算法可以自己实现，例如Hash、Range等，最终Reduce任务只拉取对应颜色的数据来进行处理，就实现把相同的Key拉取到相同的Reduce节点处理的功能。下面分开来说Shuffle的的各个过程。
　　
　　Map端做了下图所示的操作：
　　
　　1、Map端sort
　　
　　Map端的输出数据，先写环形缓存区kvbuffer，当环形缓冲区到达一个阀值（可以通过配置文件设置，默认80），便要开始溢写，但溢写之前会有一个sort操作，这个sort操作先把Kvbuffer中的数据按照partition值和key两个关键字来排序，移动的只是索引数据，排序结果是Kvmeta中数据按照partition为单位聚集在一起，同一partition内的按照key有序。
　　
　　2、spill（溢写）
　　
　　当排序完成，便开始把数据刷到磁盘，刷磁盘的过程以分区为单位，一个分区写完，写下一个分区，分区内数据有序，最终实际上会多次溢写，然后生成多个文件
　　
　　3、merge(合并)
　　
　　spill会生成多个小文件，对于Reduce端拉取数据是相当低效的，那么这时候就有了merge的过程，合并的过程也是同分片的合并成一个片段（segment），最终所有的segment组装成一个最终文件，那么合并过程就完成了,如下图所示
　　
　　至此，Map的操作就已经完成，Reduce端操作即将登场
　　
　　Reduce操作
　　
　　总体过程如下图的红框处：
　　
　　1、拉取拷贝（fetch copy）
　　
　　Reduce任务通过向各个Map任务拉取对应分片。这个过程都是以Http协议完成，每个Map节点都会启动一个常驻的HTTP server服务，Reduce节点会请求这个Http Server拉取数据，这个过程完全通过网络传输，所以是一个非常重量级的操作。
　　
　　2、合并排序
　　
　　Reduce端，拉取到各个Map节点对应分片的数据之后，会进行再次排序，排序完成，结果丢给Reduce函数进行计算。
　　
　　四、总结
　　
　　至此整个shuffle过程完成，最后总结几点：
　　
　　Regcode.prototype.draw = function(dom, callback = function (www.yongshiyule178.com/) {}) { // 绘图
　　
　　// 获取canvas dom
　　
　　if (!this.paint) { // 如果没有2d对象，再进行赋值操作
　　
　　this.canvas = dom; // 保存到this指针，方便使用
　　
　　if (!this.canvas) return;
　　
　　this.paint =www.enzuo178.com this.canvas.getContext(www.yingka178.com'2d'); // 保存到this指针，方便使用
　　
　　if (!this.paint) return;
　　
　　// 回调函数赋值给this，方便使用
　　
　　this.callback = callback;
　　
　　}
　　
　　// 随机画布颜色，使用背景色
　　
　　let colors = this.getColor(this.www.huarenyl.cn backgroundColor);
　　
　　this.paint.fillStyle = www.maituyul1.cn`rgba(${colors[www.tiaotiaoylzc.com]}, ${colors[www.dfgjpt.com]}, ${colors[2]}, 0.8)`;
　　
　　// 绘制画布
　　
　　this.paint.fillRect(0, 0, this.canvas.width,www.yongshi123.cn this.canvas.height);
　　
　　1、shuffle过程就是为了对key进行全局聚合
　　
　　2、排序操作伴随着整个shuffle过程，所以Hadoop的shuffle是sort-based的