Spark任务性能调优之shuffle调优

超、凢脫俗 2023-10-16 12:18 3阅读 0赞

![4ec8f4365d2040ed9ece56b1e4f044cf.png][]

大多数Spark作业的性能主要就是消耗在了shuffle环节，因为该环节包含了大量的磁盘IO、序列化、网络数据传输等操作。

因此，如果要让作业的性能更上一层楼，就有必要对shuffle过程进行调优。

但是也必须提醒大家的是，影响一个Spark作业性能的因素，主要还是代码开发、资源参数以及数据倾斜，shuffle调优只能在整个Spark的性能调优中占到一小部分而已。因此大家务必把握住调优的基本原则，千万不要舍本逐末。

下面我们就给大家详细讲解shuffle的原理，以及相关参数的说明，同时给出各个参数的调优建议。

在Spark的源码中，负责shuffle过程的执行、计算和处理的组件主要就是ShuffleManager，也即shuffle管理器。

而随着Spark的版本的发展，ShuffleManager也在不断迭代，变得越来越先进。

在Spark 1.2以前，默认的shuffle计算引擎是HashShuffleManager。

该ShuffleManager而HashShuffleManager有着一个非常严重的弊端，就是会产生大量的中间磁盘文件，进而由大量的磁盘IO操作影响了性能。

因此在Spark 1.2以后的版本中，默认的ShuffleManager改成了SortShuffleManager。

SortShuffleManager相较于HashShuffleManager来说，有了一定的改进。主要就在于，每个Task在进行shuffle操作时，虽然也会产生较多的临时磁盘文件，但是最后会将所有的临时文件合并（merge）成一个磁盘文件，因此每个Task就只有一个磁盘文件。

在下一个stage的shuffle read task拉取自己的数据时，只要根据索引读取每个磁盘文件中的部分数据即可。

**Spark会产生shuffle的算子**

**去重**

*  def distinct()
 *  def distinct(numPartitions: Int)

**聚合**

*  def reduceByKey(func: (V, V) => V, numPartitions: Int): RDD\[(K, V)\]
 *  def reduceByKey(partitioner: Partitioner, func: (V, V) => V): RDD\[(K, V)\]
 *  def groupBy\[K\](f: T => K, p: Partitioner):RDD\[(K, Iterable\[V\])\]
 *  def groupByKey(partitioner: Partitioner):RDD\[(K, Iterable\[V\])\]
 *  def aggregateByKey\[U: ClassTag\](zeroValue: U, partitioner: Partitioner): RDD\[(K, U)\]
 *  def aggregateByKey\[U: ClassTag\](zeroValue: U, numPartitions: Int): RDD\[(K, U)\]
 *  def combineByKey\[C\](createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C): RDD\[(K, C)\]
 *  def combineByKey\[C\](createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C, numPartitions: Int): RDD\[(K, C)\]
 *  def combineByKey\[C\](createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C, partitioner: Partitioner, mapSideCombine: Boolean = true, serializer: Serializer = null): RDD\[(K, C)\]

**排序**

*  def sortByKey(ascending: Boolean = true, numPartitions: Int = self.partitions.length): RDD\[(K, V)\]
 *  def sortBy\[K\](f: (T) => K, ascending: Boolean = true, numPartitions: Int = this.partitions.length)(implicit ord: Ordering\[K\], ctag: ClassTag\[K\]): RDD\[T\]

**重分区**

*  def coalesce(numPartitions: Int, shuffle: Boolean = false, partitionCoalescer: Option\[PartitionCoalescer\] = Option.empty)
 *  def repartition(numPartitions: Int)(implicit ord: Ordering\[T\] = null)

**集合或者表操作**

*  def intersection(other: RDD\[T\]): RDD\[T\]
 *  def intersection(other: RDD\[T\], partitioner: Partitioner)(implicit ord: Ordering\[T\] = null): RDD\[T\]
 *  def intersection(other: RDD\[T\], numPartitions: Int): RDD\[T\]
 *  def subtract(other: RDD\[T\], numPartitions: Int): RDD\[T\]
 *  def subtract(other: RDD\[T\], p: Partitioner)(implicit ord: Ordering\[T\] = null): RDD\[T\]
 *  def subtractByKey\[W: ClassTag\](other: RDD\[(K, W)\]): RDD\[(K, V)\]
 *  def subtractByKey\[W: ClassTag\](other: RDD\[(K, W)\], numPartitions: Int): RDD\[(K, V)\]
 *  def subtractByKey\[W: ClassTag\](other: RDD\[(K, W)\], p: Partitioner): RDD\[(K, V)\]

*  def join\[W\](other: RDD\[(K, W)\], partitioner: Partitioner): RDD\[(K, (V, W))\]
 *  def join\[W\](other: RDD\[(K, W)\]): RDD\[(K, (V, W))\]
 *  def join\[W\](other: RDD\[(K, W)\], numPartitions: Int): RDD\[(K, (V, W))\]
 *  def leftOuterJoin\[W\](other: RDD\[(K, W)\]): RDD\[(K, (V, Option\[W\]))\]

**HashShuffleManager运行原理**

**未经优化的HashShuffleManager**

这里我们先明确一个假设前提：每个Executor只有1个CPU core，也就是说，无论这个Executor上分配多少个task线程，同一时间都只能执行一个task线程。

我们先从shuffle write开始说起。shuffle write阶段，主要就是在一个stage结束计算之后，为了下一个stage可以执行shuffle类的算子（比如reduceByKey），而将每个task处理的数据按key进行“分类”。

所谓“分类”，就是对相同的key执行hash算法，从而将相同key都写入同一个磁盘文件中，而每一个磁盘文件都只属于下游stage的一个task。

在将数据写入磁盘之前，会先将数据写入内存缓冲中，当内存缓冲填满之后，才会溢写到磁盘文件中去。

那么每个执行shuffle write的task，要为下一个stage创建多少个磁盘文件呢？

很简单，下一个stage的task有多少个，当前stage的每个task就要创建多少份磁盘文件。

比如下一个stage总共有100个task，那么当前stage的每个task都要创建100份磁盘文件。如果当前stage有50个task，总共有10个Executor，每个Executor执行5个Task，那么每个Executor上总共就要创建500个磁盘文件，所有Executor上会创建5000个磁盘文件。

由此可见，未经优化的shuffle write操作所产生的磁盘文件的数量是极其惊人的。

接着我们来说说shuffle read。

shuffle read，通常就是一个stage刚开始时要做的事情。

此时该stage的每一个task就需要将上一个stage的计算结果中的所有相同key，从各个节点上通过网络都拉取到自己所在的节点上，然后进行key的聚合或连接等操作。

由于shuffle write的过程中，task给下游stage的每个task都创建了一个磁盘文件，因此shuffle read的过程中，每个task只要从上游stage的所有task所在节点上，拉取属于自己的那一个磁盘文件即可。

shuffle read的拉取过程是一边拉取一边进行聚合的。每个shuffle read task都会有一个自己的buffer缓冲，每次都只能拉取与buffer缓冲相同大小的数据，然后通过内存中的一个Map进行聚合等操作。

聚合完一批数据后，再拉取下一批数据，并放到buffer缓冲中进行聚合操作。以此类推，直到最后将所有数据到拉取完，并得到最终的结果。

**优化后的HashShuffleManager**

这里说的优化，是指我们可以设置一个参数，spark.shuffle.consolidateFiles。

该参数默认值为false，将其设置为true即可开启优化机制。

通常来说，如果我们使用HashShuffleManager，那么都建议开启这个选项。

开启consolidate机制之后，在shuffle write过程中，task就不是为下游stage的每个task创建一个磁盘文件了。

此时会出现shuffleFileGroup的概念，每个shuffleFileGroup会对应一批磁盘文件，磁盘文件的数量与下游stage的task数量是相同的。

一个Executor上有多少个CPU core，就可以并行执行多少个task。而第一批并行执行的每个task都会创建一个shuffleFileGroup，并将数据写入对应的磁盘文件内。

当Executor的CPU core执行完一批task，接着执行下一批task时，下一批task就会复用之前已有的shuffleFileGroup，包括其中的磁盘文件。

也就是说，此时task会将数据写入已有的磁盘文件中，而不会写入新的磁盘文件中。

因此，consolidate机制允许不同的task复用同一批磁盘文件，这样就可以有效将多个task的磁盘文件进行一定程度上的合并，从而大幅度减少磁盘文件的数量，进而提升shuffle write的性能。

假设第二个stage有100个task，第一个stage有50个task，总共还是有10个Executor，每个Executor执行5个task。

那么原本使用未经优化的HashShuffleManager时，每个Executor会产生500个磁盘文件，所有Executor会产生5000个磁盘文件的。

但是此时经过优化之后，每个Executor创建的磁盘文件的数量的计算公式为：CPU core的数量 \* 下一个stage的task数量。

也就是说，每个Executor此时只会创建100个磁盘文件，所有Executor只会创建1000个磁盘文件。

**最后：**下方这份完整的软件测试视频教程已经整理上传完成，需要的朋友们可以自行领取**【保证100%免费】**

![8b0171187dce405e878f274a8cdd9ec0.png][]

#### **软件测试面试文档** ####

我们学习必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有字节大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

![a3e4226c935c4242804cbdf26b571bc6.png][]

![58df6cd288094ad8874e814f2477620b.gif][]

[4ec8f4365d2040ed9ece56b1e4f044cf.png]: https://img-blog.csdnimg.cn/4ec8f4365d2040ed9ece56b1e4f044cf.png
[8b0171187dce405e878f274a8cdd9ec0.png]: https://img-blog.csdnimg.cn/8b0171187dce405e878f274a8cdd9ec0.png
[a3e4226c935c4242804cbdf26b571bc6.png]: https://img-blog.csdnimg.cn/a3e4226c935c4242804cbdf26b571bc6.png
[58df6cd288094ad8874e814f2477620b.gif]: https://img-blog.csdnimg.cn/58df6cd288094ad8874e814f2477620b.gif