Spark源码系列之Spark内核——Shuffle

在Hadoop中有一个阶段——Shuffle，Shuffle存在于Map和Reduce之间。同样在Spark中也存在Shuffle，而且Shuffle影响着Job的性能。尽管Spark尽可能的减少Shuffle，但是操作却需要Shuffle来完成（如，groupByKey、sortByKey、reduceByKey、distinct等）。

假设有Map Tasks=M，Reduce Tasks=R，则Spark会根据Map Tasks和Reduce Tasks数量生成ShuffleFile=M*R：

Spark1.2以后就有实现了两种Shuffle：Hash Shuffle和Sort Shuffle。

1.Hash Shuffle

1.1Basic Hash Shuffle

Hash Shuffle是不用对数据进行排序的。因此Shuffle Write的职责很简单：将数据 partition 好，并持久化。之所以要持久化，一方面是要减少内存存储空间压力，另一方面也是为了 fault-tolerance。
Shuffle Write的任务很简单，那么实现也很简单：将 Shuffle Write的处理逻辑加入到ShuffleMapStage（ShuffleMapTask所在的Stage）的最后，该Stage的 final RDD每输出一个record就将其partition并持久化。

ShuffleMapTask的执行过程：先利用pipeline计算得到final RDD中对应的partition的records。没得到一个record就将其送到对应的bucket里，具体哪个bucket由partitioner.getPartition(record._1)决定。每个bucket里面的数据会不断被写到本地磁盘上，形成一个ShuffleBlockFile，或者简称FileSegment。之后的Reducer会去fetch属于自己的FileSegment，从而进入Shuffle Read阶段。
这是最基本的Hash Shuffle。每个Map Task都要将输出写到多个文件中。
假设有Map Tasks=M，Reduce Tasks=R，则Spark会根据Map Tasks和Reduce Tasks数量生成ShuffleFile=M*R。
这种实现就导致两个问题：

1. 产生的FileSegment过多。一般Spark Job的M和R都很大，因此磁盘上会存在大量的数据文件。
2. 缓冲区占用内存空间大。假设每个buffer有100Kb，且有1000个Reducers和10个Mappers/Executor。那么buffer占用的内存总量是：100Kb*10000*10=10GB/Executor。10GB/Executor对于buffer，是不能接受的。最简单直接的解决方法是减小buffer的大小，但也不能太小。

1.2Consolidate Hash Shuffle

对于第一个问题，Spark给出了一种加强版的Hash Shuffle。每个Executor的每个Bucket映射到一个文件分段。

可以明显看出，在一个core上连续执行的ShuffleMapTask可以共用一个输出文件ShuffleFile。先执行完的ShuffleMapTask形成ShuffleBlock i（即bucket），后执行的ShuffleMapTask可以将输出数据直接追加到ShuffleBlock i后面，形成ShuffleBlock i'，每个ShuffleBlock被称为FileSegment。下一个 stage 的 reducer 只需要 fetch 整个 ShuffleFile 就行了。这样，每个 worker 持有的文件数降为 cores * R。FileConsolidation 功能可以通过spark.shuffle.consolidateFiles=true来开启。

2.Sort Shuffle

在Hadoop中，Shuffle阶段是要对数据进行排序的，即Reducer接收到的数据都是已经排好序的。在Spark1.2之后，也提供了Sort Shuffle。
在Sort Shuffle中，每个MapTask会生成一个ShuffleFile和一个IndexFile。

val partitionLengths = sorter.writePartitionedFile(blockId, context, outputFile)
shuffleBlockResolver.writeIndexFile(dep.shuffleId, mapId, partitionLengths)

3.Shuffle的选择

在SparkEnv中，我们可以看到：

// Let the user specify short names for shuffle managers
val shortShuffleMgrNames = Map(
  "hash" -> "org.apache.spark.shuffle.hash.HashShuffleManager",
  "sort" -> "org.apache.spark.shuffle.sort.SortShuffleManager",
  "tungsten-sort" -> "org.apache.spark.shuffle.unsafe.UnsafeShuffleManager")
val shuffleMgrName = conf.get("spark.shuffle.manager", "sort")
val shuffleMgrClass = shortShuffleMgrNames.getOrElse(shuffleMgrName.toLowerCase, shuffleMgrName)
val shuffleManager = instantiateClass[ShuffleManager](shuffleMgrClass)

Spark是允许我们自己实现Shuffle的。从代码中可以发现，Hash Shuffle对应的是org.apache.spark.shuffle.hash.HashShuffleManager类，Sort Shuffle对应的是org.apache.spark.shuffle.sort.SortShuffleManager类。而Spark默认采用的是Sort Shuffle，“sort”大小写没关系。如果用户配置的spark.shuffle.manager在shortShuffleMgrNames中没有查到，则选用用户自定义的Shuffle。用户自定义的Shuffle必须继承ShuffleManager类，重写里面的一些方法。