简要MR与Spark在Shuffle区别

一、区别

①本质上相同，都是把Map端数据分类处理后交由Reduce的过程。

②数据流有所区别，MR按map, spill, merge, shuffle, sort, r

educe等各阶段逐一实现。Spark基于DAG数据流，可实现更复杂数据流操作（根据宽/窄依赖实现）

③实现功能上有所区别，MR在map中做了排序操作，而Spark假定大多数应用场景Shuffle数据的排序操作不是必须的，而是采用Aggregator机制（Hashmap每个元素<K,V>形式）实现。（下面有较详细说明）

ps：为了减少内存使用，Aggregator是在磁盘进行，也就是说，尽管Spark是“基于内存的计算框架”，但是Shuffle过程需要把数据写入磁盘

二、MR中的Shuffle

在MR框架中，Shuffle是连接Map和Reduce之间的桥梁，Map的输出结果需要经过Shuffle过程之后，也就是经过数据分类以后再交给Reduce进行处理。因此，Shuffle的性能高低直接影响了整个程序的性能和吞吐量。由此可知，Shuffle是指对Map输出结果进行分区、排序、合并等处理并交给Reduce的过程。因此，MapReduce的Shuffle过程分为Map端的操作和Reduce端的操作，如下图：

简单点说： Map端Shuffle过程，就是对Map输出结果写入缓存、分区、排序、合并再写入磁盘。

Reduce端Shuffle过程，就是从不同Map机器取回输出进行归并后交给Reduce进行处理。

三、Spark中的Shuffle

①、Spark作为MR框架的改进，也实现了Shuffle的逻辑，如下图：

Map端的Shuffle写入（Shuffle Write）方面，每个Map根据Reduce任务的数量创造相应桶数量m*r（桶为抽象概念，m是map任务r是reduce任务），Map任务产生的结果根据分区算法（默认hash）到不同桶中。当Reduce任务启动时，会根据自己任务的id和所依赖的Map任务的id，从远端或本地取得对应的桶，作为Reduce任务的输入进行处理。

ps：在Spark1.2的版本后，Shuffle引擎改为SortShuffleManager（原来为HashShuffleManager），也就是把每个Map任务所有输出数据都写到同一个任务中，避免小文件太多对性能的影响。因此Shuffle过程中，每个Map任务会产生数据文件及所有文件两个。

②、在Reduce端的Shuffle读取（Shuffle Fetch）方面，大多数场景Spark并不在Reduce端做归并和排序，而是采用Aggregator机制。Aggregator本质是个HashMap，其中每个元素都是<K,V>形式。

ps：以词频统计为例，它会将从Map端拉取到的每一个(key,value)，更新或插入到HashMap中。若在HashMap中没有查找到这个key，则把这个(key,value)插入其中；若找到这个key，则把value的值累加到V上去。这样就不需要预先把所有的(key,value)进行归并和排序，而是来一个处理一个，避免外部排序这一步骤。

③、窄依赖宽依赖

以是否包含Shuffle操作为判断依据，RDD中的依赖关系可以分为窄依赖与宽依赖，区别如下

窄依赖：一个父RDD的分区对应一个子RDD的分区，或者多个父RDD的分区对应一个子RDD的分区。典型操作包括map/filter/union等，不会包含Shuffle操作

宽依赖：一个父RDD的一个分区对应一个子RDD的多个分区。典型操作包括groupByKey/sortByKey等，通常包含Shuffle操作

ps：对于join操作，视情况而定，如上图左侧进行协同划分，数据窄依赖。如上图右侧做非协同划分，属于宽依赖。

④、阶段划分

Spark根据DAG图中的RDD依赖关系，把一个作业分成多个阶段。参考下图例子过程：

Stage2为窄依赖，可以把多个fork/join合并为一个，不但减少了大量的全局路障，而且无需保存很多中间结果RDD，可以极大提高性能，该过程叫流水线优化（Pipeline）

---

学习交流，有任何问题还请随时评论指出交流。