spark的shuffle

什么是 spark shuffle

• reduceByKey的含义
  reduceByKey会将上一个RDD中的每一个key对应的所有value聚合成一个value，然后生成一个新的RDD，元素类型是<key,value>对的形式，这样每一个key对应一个聚合起来的value
  问题：每一个key对应的value不一定都是在一个partition中，也不太可能在同一个节点上，因为RDD是分布式的弹性的数据集，他的partition极有可能分布在各个节点上。
• 如何聚合？
  • Shuffle Write：上一个stage的每个map task就必须保证将自己处理的当前分区中的数据相同的key写入一个分区文件中，可能会写入多个不同的分区文件中
  • Shuffle Read：reduce task就会从上一个stage的所有task所在的机器上寻找属于自己的那些分区文件，这样就可以保证每一个key所对应的value都会汇聚到同一个节点上去处理和聚合

Spark中有两种Shuffle管理类型，HashShufflManager和SortShuffleManager，Spark1.2之前是HashShuffleManager， Spark1.2引入SortShuffleManager,在Spark 2.0+版本中已经将HashShuffleManager丢弃。

HashShuffle 运行原理

每个task会根据reducetask的多少来创建一对一的buffer缓存区，如果缓存区（32k）满了后就写入 blockfile中，所以如果maptask和 redcucetas太多，就会造成磁盘小文件过多，就会oom，并且网络连接过多，就会容易网络卡顿造成的task失败（重试3次），会造成stage重试，加大时长

上图模式产生的磁盘小文件的个数：
M（map task的个数）*R（reduce task的个数）

产生的磁盘小文件过多，会导致以下问题：
a) 在Shuffle Write过程中会产生很多写磁盘小文件的对象。
b) 在Shuffle Read过程中会产生很多读取磁盘小文件的对象。
c) 在JVM堆内存中对象过多会造成频繁的gc,gc还无法解决运行所需要的内存 的话，就会OOM。
d) 在数据传输过程中会有频繁的网络通信，频繁的网络通信出现通信故障的可能性大大增加，一旦网络通信出现了故障会导致shuffle file cannot find 由于这个错误导致的task失败，TaskScheduler不负责重试，由DAGScheduler负责重试Stage。

对上面问题的结果是：合并机制
executor中公用1个缓存区，但是如果reduceTask多的化，还是存在上面问题

产生磁盘小文件的个数：C(core的个数)*R（reduce的个数）

SortShuffle运行原理

• SortShuffle的运行机制主要分成两种

  • 普通运行机制

  
  执行流程
  a) map task 的计算结果会写入到一个内存数据结构里面，内存数据结构默认是5M
  b) 在shuffle的时候会有一个定时器，不定期的去估算这个内存结构的大小，当内存结构中的数据超过5M时，比如现在内存结构中的数据为5.01M，那么他会申请5.012-5=5.02M内存给内存数据结构。
  c) 如果申请成功不会进行溢写，如果申请不成功，这时候会发生溢写磁盘。
  d) 在溢写之前内存结构中的数据会进行排序分区
  e) 然后开始溢写磁盘，写磁盘是以batch的形式去写，一个batch是1万条数据，
  f) map task执行完成后，会将这些磁盘小文件合并成一个大的磁盘文件，同时生成一个索引文件。
  g) reduce task去map端拉取数据的时候，首先解析索引文件，根据索引文件再去拉取对应的数据。
  总结
  产生磁盘小文件的个数： 2M（map task的个数，索引文件和磁盘文件）

  • bypass运行机制
    
    ① .bypass运行机制的触发条件如下：
    shuffle reduce task的数量小于spark.shuffle.sort.bypassMergeThreshold的参数值。这个值默认是200。
    ② .产生的磁盘小文件为：2*M（map task的个数）

  sortByKey 和 repartiton是采用这种模式。不需要排序

shuffle 文件寻址

1. MapOutputTracker
   MapOutputTracker是Spark架构中的一个模块，是一个主从架构。管理磁盘小文件的地址。
    MapOutputTrackerMaster是主对象，存在于Driver中。
    MapOutputTrackerWorker是从对象，存在于Excutor中。
2. BlockManager
   BlockManager块管理者，是Spark架构中的一个模块，也是一个主从架构。
    BlockManagerMaster,主对象，存在于Driver中。
   BlockManagerMaster会在集群中有用到广播变量和缓存数据或者删除缓存数据的时候，通知BlockManagerSlave传输或者删除数据。
    BlockManagerSlave，从对象，存在于Excutor中。
   BlockManagerSlave会与BlockManagerSlave之间通信。
    无论在Driver端的BlockManager还是在Excutor端的BlockManager都含有三个对象：
   ① DiskStore:负责磁盘的管理。
   ② MemoryStore：负责内存的管理。
   ③ BlockTransferService:负责数据的传输。

Spark 内存管理

Spark执行应用程序时，Spark集群会启动Driver和Executor两种JVM进程，Driver负责创建SparkContext上下文，提交任务，task的分发等。Executor负责task的计算任务，并将结果返回给Driver。同时需要为需要持久化的RDD提供储存。Driver端的内存管理比较简单，这里所说的Spark内存管理针对Executor端的内存管理。
Spark内存管理分为静态内存管理和统一内存管理，Spark1.6之前使用的是静态内存管理，Spark1.6之后引入了统一内存管理

• 静态内存管理
  
• 统一内存管理
  

reduce oom问题？

1. 减少每次拉取的数据量
2. 提高shuffle聚合的内存比例
3. 提高Excutor的总内存

shuffle 调优

• spark.shuffle.file.buffer
  默认值：32k
  参数说明：该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小。将数据写到磁盘文件之前，会先写入buffer缓冲中，待缓冲写满之后，才会溢写到磁盘。
  调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如64k），从而减少shuffle write过程中溢写磁盘文件的次数，也就可以减少磁盘IO次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

• spark.reducer.maxSizeInFlight
  默认值：48m
  参数说明：该参数用于设置shuffle read task的buffer缓冲大小，而这个buffer缓冲决定了每次能够拉取多少数据。
  调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如96m），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

• spark.shuffle.io.maxRetries
  默认值：3
  参数说明：shuffle read task从shuffle write task所在节点拉取属于自己的数据时，如果因为网络异常导致拉取失败，是会自动进行重试的。该参数就代表了可以重试的最大次数。如果在指定次数之内拉取还是没有成功，就可能会导致作业执行失败。
  调优建议：对于那些包含了特别耗时的shuffle操作的作业，建议增加重试最大次数（比如60次），以避免由于JVM的full gc或者网络不稳定等因素导致的数据拉取失败。在实践中发现，对于针对超大数据量（数十亿~上百亿）的shuffle过程，调节该参数可以大幅度提升稳定性。
  shuffle file not find taskScheduler不负责重试task，由DAGScheduler负责重试stage

• spark.shuffle.io.retryWait
  默认值：5s
  参数说明：具体解释同上，该参数代表了每次重试拉取数据的等待间隔，默认是5s。
  调优建议：建议加大间隔时长（比如60s），以增加shuffle操作的稳定性。

• spark.shuffle.memoryFraction
  默认值：0.2
  参数说明：该参数代表了Executor内存中，分配给shuffle read task进行聚合操作的内存比例，默认是20%。
  调优建议：在资源参数调优中讲解过这个参数。如果内存充足，而且很少使用持久化操作，建议调高这个比例，给shuffle read的聚合操作更多内存，以避免由于内存不足导致聚合过程中频繁读写磁盘。在实践中发现，合理调节该参数可以将性能提升10%左右。

• spark.shuffle.manager
  默认值：sort|hash
  参数说明：该参数用于设置ShuffleManager的类型。Spark 1.5以后，有三个可选项：hash、sort和tungsten-sort。HashShuffleManager是Spark 1.2以前的默认选项，但是Spark 1.2以及之后的版本默认都是SortShuffleManager了。tungsten-sort与sort类似，但是使用了tungsten计划中的堆外内存管理机制，内存使用效率更高。
  调优建议：由于SortShuffleManager默认会对数据进行排序，因此如果你的业务逻辑中需要该排序机制的话，则使用默认的SortShuffleManager就可以；而如果你的业务逻辑不需要对数据进行排序，那么建议参考后面的几个参数调优，通过bypass机制或优化的HashShuffleManager来避免排序操作，同时提供较好的磁盘读写性能。这里要注意的是，tungsten-sort要慎用，因为之前发现了一些相应的bug。

• spark.shuffle.sort.bypassMergeThreshold
  默认值：200
  参数说明：当ShuffleManager为SortShuffleManager时，如果shuffle read task的数量小于这个阈值（默认是200），则shuffle write过程中不会进行排序操作，而是直接按照未经优化的HashShuffleManager的方式去写数据，但是最后会将每个task产生的所有临时磁盘文件都合并成一个文件，并会创建单独的索引文件。
  调优建议：当你使用SortShuffleManager时，如果的确不需要排序操作，那么建议将这个参数调大一些，大于shuffle read task的数量。那么此时就会自动启用bypass机制，map-side就不会进行排序了，减少了排序的性能开销。但是这种方式下，依然会产生大量的磁盘文件，因此shuffle write性能有待提高。

• spark.shuffle.consolidateFiles
  默认值：false
  参数说明：如果使用HashShuffleManager，该参数有效。如果设置为true，那么就会开启consolidate机制，会大幅度合并shuffle write的输出文件，对于shuffle read task数量特别多的情况下，这种方法可以极大地减少磁盘IO开销，提升性能。
  调优建议：如果的确不需要SortShuffleManager的排序机制，那么除了使用bypass机制，还可以尝试将spark.shffle.manager参数手动指定为hash，使用HashShuffleManager，同时开启consolidate机制。在实践中尝试过，发现其性能比开启了bypass机制的SortShuffleManager要高出10%~30%。