Spark Shuffle数据处理过程与部分调优（源码阅读七）

　　shuffle。。。相当重要，为什么咩，因为shuffle的性能优劣直接决定了整个计算引擎的性能和吞吐量。相比于Hadoop的MapReduce,可以看到Spark提供多种计算结果处理方式，对shuffle过程进行了优化。

　　那么我们从RDD的iterator方法开始：

　　

　　我们可以看到，它调用了cacheManager的getOrCompute方法，如果分区任务第一次执行还没有缓存，那么会调用computeOrReadCheckpoint。如果某个partition任务执行失败，可以利用DAG重新调度，失败的partition任务将从检查点恢复状态，而那些已经成功执行的partition任务由于其执行结果已经缓存到存储体系，所以调用CacheManager.getOrCompue方法，不需要再次执行。

　　在computeOrReadCheckpoint中，如果存在检查点时，则进行中间数据的拉取，否则将会重新执行compute,我们知道RDD具有linkage机制，所以可以直接找到其父RDD。

　　那么compute方法实现了什么呢？从最底层的HadoopRDD看起，所有类型的RDD都继承自抽象RDD类。HadoopRDD compute方法如下图：

　　

　　它实现了一个NextIterator的一个内部类，你有没有发现那个"input split:"这个日志很熟悉，没错，就是跑任务时在container日志中打印的日志信息，也就是第一次数据获取。然后这个内部类搞了一些事情，从broadcast中获取jobConf(hadoop的Configuration)、创建inputMetrics用于计算字节读取的测量信息。随之RecoredReader读取数据之前创建bytesReadCallback,是用来获取当前线程从文件系统读取的字节数。随后获取inputFormat:

　　　　

　　随后加入hadoop的配置信息，再通过 reader:RecordReader读取数据。最终会new出一个InterruptibleIterator对象。这个对象用于map结束后的SortShuffleWriter的write方法。因为本身mapReduce的过程就是要写入磁盘的，如图：

　　

　　查阅资料，它主要干了如下事情：

　　1、创建ExternalSorter,调用insertAll将计算结果写入缓存。

　　2、调用shuffleBlockManager.getDataFile方法获取当前任务要输出的文件路径。

　　3、调用shuffleBlockManager.consolidateId创建blockId。

　　4、调用ExternalSorter的writePartitionFile将中间结果持久化。

　　5、调用shuffleBlockManager.writeIndexFile方法创建索引文件。

　　6、最终创建MapStatus。

　　

　　这里有个重中之重，也就是Hadoop MapReduce过程的问题所在：

　　1、Hadoop在reduce任务获取到map任务的中间输出后，会对这些数据在磁盘上进行merge sort,产生更多的磁盘I/O.

　　2、当数据量很小，但是map任务和reduce任务数目很多时，会产生很多网络I/O.

　　那么spark的优化在于：

　　1、map任务逐条输出计算结果，而不是一次性输出到内存，并使用AppendOnlyMap缓存及其聚合算法对中间结果进行聚合，大大减少了中间结果所占内存的大小。

　　2、当超出myMemoryThreshold的大小时，将数据写入磁盘，防止内存溢出。

　　3、reduce任务也是逐条拉取，并且也用了AppendOnlyMap缓存，并在内存中进行聚合和排序，也大大减少了数据占用的内存。

　　4、reduce任务对将要拉取的Block按照BlockManager划分，然后将同一blockManager地址中的Block累积为少量网络请求，减少网络I/O.

　　这里有个参数，spark.shuffle.sort.bypassMergeThreshold,修改bypassMergeThreshold的大小，在分区数量小的时候提升计算引擎的性能。这个参数主要在partition的数量小于bypassMergeThreshold的值时，就不再Executor中执行聚合和排序操作，知识将各个partition直接写入Executor中进行存储。

　　还有一个参数，spark.shuffle.sort.bypassMergeSort，这个参数标记是否传递到reduce端再做合并和排序，当没有定义aggregator、ordering函数，并且partition数量小于等于bypassMergeThreshold时，bypassMergeSort为true.如果bypassMergeSort为true,map中间结果将直接输出到磁盘，就不会占用内存。

　　

　　那么 哪些Block从本地获取、哪些需要远程拉取，是获取中间计算结果的关键。那么reduce端如何处理多个map任务的中间结果？

　　这里有个优化的参数spark.reducer.maxMbInFlight,这是单次航班请求的最大字节数，意思是一批请求，这批请求的字节总数不能超过maxBytesInFlight,而且每个请求的字节数不能超过maxBytesInfFlight的五分之一，这样做是为了提高请求的并发度，允许5个请求分别从5个节点拉取数据。

　　调优方案：

　　1、在map端溢出分区文件，在reduce端合并组合

　　bypassMergeSort不使用缓存，将数据按照paritition写入不同文件，最后按partition顺序合并写入同一文件。但没有指定聚合、排序函数，且partition数量较小时，一般蚕蛹这种方式。它将多个bucket合并到一个文件，减少map输出的文件数量，节省磁盘I/O，最终提升了性能。

　　

　　2、在map端简单排序、排序分组，在reduce端合并并组合

　　　　在缓存中利用指定的排序函数对数据按照partition或者Key进行排序，按partition顺序合并写入同一文件。当没有指定聚合函数，且partition数量大时，采用这种方式。

　　　　　　

　　3、在map端缓存中聚合、排序分组，在reduce端组合

　　　　在缓存中对数据按照key聚合，并且利用指定的排序函数对数据按照partition或者key进行排序，最后按partition顺序合并写入同一文件。当指定了聚合函数时，采用这种方式。

 

参考文献：《深入理解Spark：核心思想与源码分析》