Spark-2.0原理分析-shuffle过程

shuffle概览

shuffle过程概览

shuffle数据流概览

shuffle数据流

shuffle工作流程

在运行job时，spark是一个stage一个stage执行的。先把任务分成stage，在任务提交阶段会把任务形成taskset，在执行任务。 
spark的DAGScheduler根据RDD的ShuffleDependency来构建Stages：

• 例如：ShuffleRDD/CoGroupedRDD有一个ShuffleDependency。
• 很多操作通过钩子函数来创建ShuffleRDD

每个ShuffleDependency会map到spark的job的一个stage，然后会导致一个shuffle过程。

为什么shuffle过程代价很大

这是由于shuffle过程可能需要完成以下过程：

• 重新进行数据分区
• 数据传输
• 数据压缩
• 磁盘I/O

shuffle的体系结构

ShuffleManager接口

shuffleManager是spark的shuffle系统的可插拔接口。ShuffleManager将会在driver和每个executor上的SparkEnv中进行创建。可以通过参数spark.shuffle.manager进行设置。 
driver通过ShuffleManager来注册shuffle，并且executor通过它来读取和写入数据。

ShuffleWriter

控制shuffle数据输出逻辑。

ShuffleReader

获取shuffle过程中用于ShuffleRDD的数据。

ShuffleBlockManager

管理抽象的bucket和计算数据块之间的mapping过程。

基于sort的shuffle

sort-based的shuffle，会把输入的记录根据目标分区id(partition ids)进行排序。然后写入单个的map输出文件中。为了读取map的输出部分，Reducers获取此文件的连续区域 。当map输出的数据太大而内存无法存放时，输出的排序子集可以保存到磁盘，这些磁盘文件被合并后，生成最终的输出文件。 
sort shuffle有两个不同的输出路径来产生map的输出文件：

• 序列化排序(Serialized sorting) 
  在使用序列化排序时，需要满足以下3个条件：
  • shuffle不指定聚合（aggregation）或输出排序方法。
  • shuffle的序列化程序支持序列化值的重定位（KryoSerializer和Spark SQL的自定义序列化程序目前支持此操作）。
  • shuffle产生小于16777216个输出分区。
• 反序列化排序(Deserialized sorting) 
  用来处理所有其他情况。

Sort Shuffle Manager

Sort Shuffle Writer

• 每个map任务都会产生一个shuffle数据文件，和一个Index文件
  • 通过外部排序类ExternalSorter对数据进行排序
• 若map-side需要进行合并（combine）操作，数据将会按key和分区进行排序，若没有合并操作数据只会根据分区进行排序。