Spark技术内幕：Shuffle Read的整体流程
回忆一下，每个Stage的上边界，要么需要从外部存储读取数据，要么需要读取上一个Stage的输出；而下边界，要么是需要写入本地文件系统（需要Shuffle），以供childStage读取，要么是最后一个Stage，需要输出结果。这里的Stage，在运行时的时候就是可以以pipeline的方式运行的一组Task，除了最后一个Stage对应的是ResultTask，其余的Stage对应的都是ShuffleMap Task。
而除了需要从外部存储读取数据和RDD已经做过cache或者checkpoint的Task，一般Task的开始都是从ShuffledRDD的ShuffleRead开始的。本节将详细讲解Shuffle Read的过程。
先看一下ShuffleRead的整体架构图。
org.apache.spark.rdd.ShuffledRDD#compute 开始，通过调用org.apache.spark.shuffle.ShuffleManager的getReader方法，获取到org.apache.spark.shuffle.ShuffleReader，然后调用其read()方法进行读取。在Spark1.2.0中，不管是Hash BasedShuffle或者是Sort BasedShuffle，内置的Shuffle Reader都是 org.apache.spark.shuffle.hash.HashShuffleReader。核心实现：
override def read(): Iterator[Product2[K, C]] = {
val ser =Serializer.getSerializer(dep.serializer)
// 获取结果
val iter = BlockStoreShuffleFetcher.fetch(handle.shuffleId,startPartition, context, ser)
// 处理结果
val aggregatedIter: Iterator[Product2[K, C]] = if(dep.aggregator.isDefined) {//需要聚合
if (dep.mapSideCombine) {//需要map side的聚合
new InterruptibleIterator(context, dep.aggregator.get.combineCombinersByKey(
iter, context))
} else {//只需要reducer端的聚合
new InterruptibleIterator(context,dep.aggregator.get.combineValuesByKey(
iter, context))
}
}else { // 无需聚合操作
iter.asInstanceOf[Iterator[Product2[K,C]]].map(pair => (pair._1, pair._2))
}
// Sort the output if there is a sort ordering defined.
dep.keyOrdering match {//判断是否需要排序
case Some(keyOrd: Ordering[K]) => //对于需要排序的情况
// 使用ExternalSorter进行排序，注意如果spark.shuffle.spill是false，那么数据是
// 不会spill到硬盘的
val sorter = new ExternalSorter[K, C, C](ordering = Some(keyOrd),
serializer= Some(ser))
sorter.insertAll(aggregatedIter)
context.taskMetrics.memoryBytesSpilled += sorter.memoryBytesSpilled
context.taskMetrics.diskBytesSpilled += sorter.diskBytesSpilled
sorter.iterator
case None => //无需排序
aggregatedIter
}
}
org.apache.spark.shuffle.hash.BlockStoreShuffleFetcher#fetch会获得数据，它首先会通过
org.apache.spark.MapOutputTracker#getServerStatuses来获得数据的meta信息，这个过程有可能需要向org.apache.spark.MapOutputTrackerMasterActor发送读请求，这个读请求是在org.apache.spark.MapOutputTracker#askTracker发出的。在获得了数据的meta信息后，它会将这些数据存入Seq[(BlockManagerId,Seq[(BlockId, Long)])]中，然后调用org.apache.spark.storage.ShuffleBlockFetcherIterator最终发起请求。ShuffleBlockFetcherIterator根据数据的本地性原则进行数据获取。如果数据在本地，那么会调用org.apache.spark.storage.BlockManager#getBlockData进行本地数据块的读取。而getBlockData对于shuffle类型的数据，会调用ShuffleManager的ShuffleBlockManager的getBlockData。
如果数据在其他的Executor上，那么如果用户使用的spark.shuffle.blockTransferService是netty，那么就会通过org.apache.spark.network.netty.NettyBlockTransferService#fetchBlocks获取；如果使用的是nio，那么就会通过org.apache.spark.network.nio.NioBlockTransferService#fetchBlocks获取。
数据读取策略的划分
org.apache.spark.storage.ShuffleBlockFetcherIterator会通过splitLocalRemoteBlocks划分数据的读取策略：如果在本地有，那么可以直接从BlockManager中获取数据；如果需要从其他的节点上获取，那么需要走网络。由于Shuffle的数据量可能会很大，因此这里的网络读有以下的策略：
1) 每次最多启动5个线程去最多5个节点上读取数据
2) 每次请求的数据大小不会超过spark.reducer.maxMbInFlight(默认值为48MB)/5
这样做的原因有几个：
1) 避免占用目标机器的过多带宽，在千兆网卡为主流的今天，带宽还是比较重要的。如果机器使用的万兆网卡，那么可以通过设置spark.reducer.maxMbInFlight来充分利用带宽。
2) 请求数据可以平行化，这样请求数据的时间可以大大减少。请求数据的总时间就是请求中耗时最长的。这样可以缓解一个节点出现网络拥塞时的影响。
主要的实现：
private[this] def splitLocalRemoteBlocks():ArrayBuffer[FetchRequest] = {
val targetRequestSize = math.max(maxBytesInFlight / 5, 1L)
val remoteRequests = new ArrayBuffer[FetchRequest]
for ((address, blockInfos) <- blocksByAddress) {
if (address.executorId == blockManager.blockManagerId.executorId) {
// Block在本地，需要过滤大小为0的block。
localBlocks ++= blockInfos.filter(_._2 != 0).map(_._1)
numBlocksToFetch += localBlocks.size
} else { //需要远程获取的Block
val iterator = blockInfos.iterator
var curRequestSize = 0L
var curBlocks = new ArrayBuffer[(BlockId, Long)]
while (iterator.hasNext) {
//blockId 是org.apache.spark.storage.ShuffleBlockId，
// 格式："shuffle_" +shuffleId + "_" + mapId + "_" + reduceId
val (blockId, size) = iterator.next()
// Skip empty blocks
if (size > 0) {
curBlocks += ((blockId, size))
remoteBlocks += blockId
numBlocksToFetch += 1
curRequestSize += size
}
if (curRequestSize >= targetRequestSize) {
// 当前总的size已经可以批量放入一次request中
remoteRequests += new FetchRequest(address, curBlocks)
curBlocks = new ArrayBuffer[(BlockId, Long)]
curRequestSize = 0
}
}
// 剩余的请求组成一次request
if (curBlocks.nonEmpty) {
remoteRequests += new FetchRequest(address, curBlocks)
}
}
}
remoteRequests
}
本地读取
fetchLocalBlocks() 负责本地Block的获取。在splitLocalRemoteBlocks中，已经将本地的Block列表存入了localBlocks：private[this] val localBlocks = newArrayBuffer[BlockId]()
具体过程如下：
val iter = localBlocks.iterator
while (iter.hasNext) {
val blockId = iter.next()
try {
val buf = blockManager.getBlockData(blockId)
shuffleMetrics.localBlocksFetched += 1
buf.retain()
results.put(new SuccessFetchResult(blockId, 0, buf))
} catch {
}
}
而blockManager.getBlockData(blockId)的实现是：
override def getBlockData(blockId:BlockId): ManagedBuffer = {
if (blockId.isShuffle) {
shuffleManager.shuffleBlockManager.getBlockData(blockId.asInstanceOf[ShuffleBlockId])
}这就调用了ShuffleBlockManager的getBlockData方法。在Shuffle Pluggable框架中我们介绍了实现一个Shuffle Service之一就是要实现ShuffleBlockManager。
以Hash BasedShuffle为例，它的ShuffleBlockManager是org.apache.spark.shuffle.FileShuffleBlockManager。FileShuffleBlockManager有两种情况，一种是File consolidate的，这种的话需要根据Map ID和 Reduce ID首先获得FileGroup的一个文件，然后根据在文件中的offset和size来获取需要的数据；如果是没有File consolidate，那么直接根据Shuffle Block ID直接读取整个文件就可以。
override def getBlockData(blockId:ShuffleBlockId): ManagedBuffer = {
if (consolidateShuffleFiles) {
val shuffleState = shuffleStates(blockId.shuffleId)
val iter = shuffleState.allFileGroups.iterator
while(iter.hasNext) {
// 根据Map ID和Reduce ID获取File Segment的信息
val segmentOpt = iter.next.getFileSegmentFor(blockId.mapId,blockId.reduceId)
if (segmentOpt.isDefined) {
val segment = segmentOpt.get
// 根据File Segment的信息，从FileGroup中找到相应的File和Block在
// 文件中的offset和size
return new FileSegmentManagedBuffer(
transportConf, segment.file, segment.offset, segment.length)
}
}
throw new IllegalStateException("Failed to find shuffle block:" + blockId)
}else {
val file = blockManager.diskBlockManager.getFile(blockId) //直接获取文件句柄
new FileSegmentManagedBuffer(transportConf, file, 0, file.length)
}
}
对于Sort BasedShuffle，它需要通过索引文件来获得数据块在数据文件中的具体位置信息，从而读取这个数据。
具体实现在org.apache.spark.shuffle.IndexShuffleBlockManager#getBlockData中。
override def getBlockData(blockId: ShuffleBlockId): ManagedBuffer = {
// 根据ShuffleID和MapID从org.apache.spark.storage.DiskBlockManager 获取索引文件
val indexFile = getIndexFile(blockId.shuffleId, blockId.mapId)
val in = new DataInputStream(new FileInputStream(indexFile))
try {
ByteStreams.skipFully(in, blockId.reduceId * 8) //跳到本次Block的数据区
val offset = in.readLong() //数据文件中的开始位置
val nextOffset = in.readLong() //数据文件中的结束位置
new FileSegmentManagedBuffer(
transportConf,
getDataFile(blockId.shuffleId, blockId.mapId),
offset,
nextOffset - offset)
}finally {
in.close()
}
}