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()
    }
  }