Spark ExternalShuffleService 运行原理

前言

Spark 的 Executor 节点不仅负责数据的计算，还涉及到数据的管理。如果发生了 shuffle 操作，Executor 节点不仅需要生成 shuffle 数据，还需要负责处理读取请求。如果 一个 Executor 节点挂掉了，那么它也就无法处理 shuffle 的数据读取请求了，它之前生成的数据都没有意义了。

为了解耦数据计算和数据读取服务，Spark 支持单独的服务来处理读取请求。这个单独的服务叫做 ExternalShuffleService，运行在每台主机上，管理该主机的所有 Executor 节点生成的 shuffle 数据。有读者可能会想到性能问题，因为之前是由多个 Executor 负责处理读取请求，而现在一台主机只有一个 ExternalShuffleService 处理请求，其实性能问题不必担心，因为它主要消耗磁盘和网络，而且采用的是异步读取，所以并不会有性能影响。

解耦之后，如果 Executor 在数据计算时不小心挂掉，也不会影响 shuffle 数据的读取。而且Spark 还可以实现动态分配，动态分配是指空闲的 Executor 可以及时释放掉。

架构图

下图展示了一个 shuffle 操作，有两台主机分别运行了三个 Map 节点。Map 节点生成完 shuffle 数据后，会将数据的文件路径告诉给 ExternalShuffleService。之后的 Reduce 节点读取数据，就只和 ExternalShuffleService 交互。

Yarn AuxServices

本篇主要是讲 Spark 运行在 Yarn 的场景，ExternalShuffleService 是作为 Yan 的辅助服务运行的，这里先讲讲 Yarn 的辅助服务。

Yarn NodeManager 服务启动的时候，会启动一些额外的辅助服务，这些辅助服务的运行周期同 NodeManager 相同。每个辅助服务由 AuxiliaryService 类表示，用户需要继承并实现 AuxiliaryService 类，并且还需要配置 Yarn 的 yarn.nodemanager.aux-services选项，这样才能被 NodeManager 发现。下面添加了 spark_shuffle 名称的服务，并且指定了实现的类名和端口号。

<property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle, spark_shuffle</value>
</property>

<property>
    <name>yarn.nodemanager.aux-services.spark_shuffle.class</name>
    <value>org.apache.spark.network.yarn.YarnShuffleService</value>
</property>

<property>
    <name>spark.shuffle.service.port</name>
    <value>7337</value>
</property>

YarnShuffleService

从上面的配置中，可以看到实现类 是 YarnShuffleService。它本质是运行了一个 Spark Rpc 服务，只处理来自 Map 节点和来自 Reduce 节点的请求。

Map 节点会将生成好的 shuffle 文件路径通知给 ExternalShuffleService ，请求由 RegisterExecutor 表示。
Reduce 节点读取数据的流程，先发送 OpenBlocks 请求获取 streamId，然后通过 streamId 来请求数据。
解析来依次来看看这些请求的原理。

RegisterExecutor 请求

首先看看 RegisterExecutor 请求的格式：

public class RegisterExecutor extends BlockTransferMessage {
    public final String appId;         // spark application id
    public final String execId;        // executor id
    public final ExecutorShuffleInfo executorInfo;    // 文件路径
}

因为 ExternalShuffleService 是为同个主机上所有 Executor 服务的，而这台主机上可能同时运行多个 spark 程序，所以需要 appId 用来区分。execId 是用来区分 Executor 节点的。executorInfo 是用来指定数据存储的目录。

继续看看文件路径是怎么定义的：

public class ExecutorShuffleInfo implements Encodable {
    
    public final String[] localDirs;         // 第一级目录列表
    public final int subDirsPerLocalDir;     // 第二级目录列表
    public final String shuffleManager;      // shuffleManager的类型，目前只有一种类型 SortShuffleManager
}

上面只是定义了两级目录，如果想要了解它的含义，就必须了解 shuffle 数据存储位置的规则。

Executor 在 存储 shuffle 数据时，是将它存放在分散的目录，分散的目录是根据文件名的哈希值来确定的。分散的目的是防止单个目录下文件数目过大，造成寻找文件的延迟增大。

我们知道 shuffle 的数据文件名是有着固定的格式的，shuffle_{shuffleId}{mapId}{reduceId}.data，因为目前 shuffle 实现的时候，为了减少文件数过多造成的性能差，会将多份数据合并成一个大文件，对应的最终文件名 shuffle_{shuffleId}{mapId}0.data,并且为了快速查找 reduceId 对应的数据位置，还生成了一份索引文件 shuffle{shuffleId}{mapId}_0.index。

YarnShuffleService 服务会将这些位置信息存储到内存中，如果指定了持久化，会保存到 leveldb 中。

客户端读取

客户端会根据数据的所在节点，流程同普通的一样，只不过普通是向 Executor 进程发送请求，而这里是向 YarnShuffleService 发出读取请求。它分为两部请求：OpenBlocks 请求 和数据传输请求。

OpenBlocks 请求

public class OpenBlocks extends BlockTransferMessage {
    public final String appId;    // spark application id
    public final String execId;   // executor id
    public final String[] blockIds;    // 包含shuffleId，mapId，reduceId 的字符串列表
}

YarnShuffleService 会根据请求的数据，找到对应的文件路径，并且根据 reduceId 从索引文件中，找到数据所在的文件偏移值。

数据传输请求

客户端根据第一步返回的streamId 和 chunkId 列表，向 YarnShuffleService 发送数据传输请求。