Spark-Shuffle管理机制、内存管理、文件寻址、调优、源码

Spark-Shuffle机制、内存、寻址、调优、源码

一、SparkShuffle概念

​ reduceByKey会将上一个RDD中的每一个key对应的所有value聚合成一个value，然后生成一个新的RDD，元素类型是<key,value>对的形式，这样每一个key对应一个聚合起来的value

注意：

​ 数据在聚合之前RDD的partition可能存放在不同节点上（RDD是弹性分布数据集）

聚合

– Shuffle Write：上一个stage的每个map task就必须保证将自己处理的当前分区的数据相同的key写入一个分区文件中，可能会写入多个不同的分区文件中。

– Shuffle Read：reduce task就会从上一个stage的所有task所在的机器上寻找属于己的那些分区文件，这样就可以保证每一个key所对应的value都会汇聚到同一个节点上去处理和聚合。

二、SparkShuffle管理类型

1 HashShuffleManager(1.6版本后GG)

a 普通机制

HashShuffleManager-普通机制架构图

​ 在普通机制中，产生小文件数量为：M（map task的个数）*R（reduce task的个数）

​ 拉取数据过程和MR一样

HashShuffleManager-普通机制执行流程

1每一个map task将不同结果写到不同的buffer中，每个buffer的大小为32K。buffer起到数据缓存的作用

2每个buffer文件最后对应一个磁盘小文件

3reduce task来拉取对应的磁盘小文件

隐患–产生磁盘小文件过多

加大Shuffle Write和Shuffle Read读写数据的压力

在JVM堆内存中对象过多会造成频繁的gc，当gc无法解决运行所需要的内存的话，就会OOM

在数据传输过程中会有频繁的网络通信，频繁的网络通信出现通信故障的可能性大大增加，需要DAGScheduler重新连接（4次连接不到当前partition就GG）

b 合并机制

HashShuffleManager-合并机制架构图

​ 产生磁盘小文件的个数：C(core的个数)*R（reduce的个数）

隐患

​ 虽然磁盘小文件相对于普通机制来讲减少了很多，但是依旧存在这个问题

​ HashShuffleManager的合并模式的核是1，也就容易造成数据等待问题

2 SortShuffleManager(1.2版本提出，2.0+使用)

普通机制常用于需要排序的算子，eg：ReduceBuyKey

bypass机制常