实时计算引擎Spark笔试题:Spark Shuffle 机制

红太狼 2022-12-29 00:08 176阅读 0赞

**说明:**Spark是目前大数据中非常流行的运算框架,Spark的Shuffle机制是完成运算最重要的一环,面试时经常会被问到.

在Spark中，Shuffle分为map阶段和reduce阶段，也可称之为shuffle write和shuffle read阶段，Spark在1.1以前的版本一直是采用Hash Shuffle的实现的方式，到1.1版本时参考Hadoop MapReduce的实现开始引入Sort Shuffle，在1.5版本时开始Tungsten钨丝计划，引入UnSafe Shuffle优化内存及CPU的使用，在1.6中将Tungsten统一到Sort Shuffle中，实现自我感知选择最佳Shuffle方式，到最近的2.0版本， Hash Shuffle已被删除，所有Shuffle方式全部统一到Sort Shuffle一个实现中。这里我们只说明Sort Shuffle

![3c0610ba232e251df3faaebb53a9593d.png][]

**Write 阶段**会把 Mapper 中每个 MapTask 所有的输出数据排好序，然后写到一个 Data 文件中， 同时还会写一份 index 文件用于记录 **Data 文件内部分区数据的元数据**（即记录哪一段数据是输出给哪个 ReduceTask 的），所以 Mapper 中的每一个 MapTask 会产生两个文件 。

**Read 阶段**首先 Reducer 会找 Driver 去获取父 Stage 中每个 MapTask 输出的位置信息，跟据位置信息获取并解析 Index 文件，会**根据** **Index 文件记录的信息来获取所需要读取的** **Data 文件中属于自己那一部分的数据**。

*Mapper 端的排序分为两个部分：内部排序和分区排序，每个分区内部的数据是有序的，分区之间也是有序的，
    
    如图Data 文件中有三个分区，分别着对应下游的  ReduceTask，分区排序的目的是让  ReduceTask 
    
    获取数据更加高效
    
    *Sorted-Based Shuffle 过程 Mapper 端生成的文件个数与什么有关？ 一个 core 即一个 Task 
    
    即一个分区即一个并发，一个 Task 会生成两个文件，Data 文件和 Index 文件。与 Reduce 端无关，
    
    Reduce 只负责读属于自己的那一部分数据。
    
    *Sorted-Based Shuffle解决了Hash Shuffle在Mapper端做ShuffleWriter时所产生的大量文件问题，
    
    降低了资源消耗
    
    *当前的Shuffle Write有三种 BypassMergeSortShuffleWriter， SortShuffleWriter 和
    
    UnsafeShuffleWriter.

触发Shuffle的一些操作

<table> 
 <tbody> 
  <tr> 
   <th>分类</th> 
   <th>操作</th> 
  </tr> 
  <tr> 
   <td>repartition相关</td> 
   <td>repartition,coalesce</td> 
  </tr> 
  <tr> 
   <td>ByKey操作</td> 
   <td>groupByKey,ReduceByKey,conbineByKey,aggregateByKey</td> 
  </tr> 
  <tr> 
   <td>Join操作</td> 
   <td>cogroup,join</td> 
  </tr> 
 </tbody> 
</table>

[3c0610ba232e251df3faaebb53a9593d.png]: /images/20221120/7cda51a8311b4864b4f00a6993269298.png