关于Spark中OptimizeShuffleWithLocalRead 中自己的一些理解

背景

本文基于 Spark 3.5

关于ShuffleLocalRead的作用简单的来说，就是会按照一定的规则，从一个 map Task 中连续读取多个 reduce数据 的任务，（正常的情况下是读取所有map Task中特定的一个reduce数据任务），具体可以参考Spark AQE中的CoalesceShufflePartitions和OptimizeLocalShuffleReader

分析

直接上OptimizeShuffleWithLocalRead代码：

复制代码

  override def apply(plan: SparkPlan): SparkPlan = {
    if (!conf.getConf(SQLConf.LOCAL_SHUFFLE_READER_ENABLED)) {
      return plan
    }

    plan match {
      case s: SparkPlan if canUseLocalShuffleRead(s) =>
        createLocalRead(s)
      case s: SparkPlan =>
        createProbeSideLocalRead(s)
    }
  }
 ...
 def canUseLocalShuffleRead(plan: SparkPlan): Boolean = plan match {
  case s: ShuffleQueryStageExec =>
    s.mapStats.isDefined && isSupported(s.shuffle)
  case AQEShuffleReadExec(s: ShuffleQueryStageExec, _) =>
    s.mapStats.isDefined && isSupported(s.shuffle) &&
      s.shuffle.shuffleOrigin == ENSURE_REQUIREMENTS
  case _ => false
 }
 ...
 private def createLocalRead(plan: SparkPlan): AQEShuffleReadExec = {
  plan match {
    case c @ AQEShuffleReadExec(s: ShuffleQueryStageExec, _) =>
      AQEShuffleReadExec(s, getPartitionSpecs(s, Some(c.partitionSpecs.length)))
    case s: ShuffleQueryStageExec =>
      AQEShuffleReadExec(s, getPartitionSpecs(s, None))
  }
}

这里有两种情况会引入LocalshuffleRead：

第一种是引入了REBALANCE hint的场景。这种情况下，在Spark的内部表示 ShuffleOrigin 为 REBALANCE_PARTITIONS_BY_NONE，这种情况下是hint为REBALANCE而不是REBALANCE(c)或者REBALANCE(num)的情况；

第二种是SMJ 转变为 BHJ的场景。

至于为啥会存在AQEShuffleReadExec(s: ShuffleQueryStageExec, _)这种情况是因为CoalesceShufflePartitions 这个规则会进行分区的合并等

所以在代码中会有两个case：

SparkPlan if canUseLocalShuffleRead(s)

如果满足是REBALANCE hint的情况或者是Spark内部加的（为了满足Shuffle上下算子的数据分布要求）就强加上AQEShuffleReadExec
createProbeSideLocalRead

这里是进行SMJ 转 BHJ的BuildBroadcast的另一边进行ShuffleLocalRead的情况，这种情况下，因为已经进行broadcast了，所以参与BuildBroadcast的另一边也可以进行shufflelocalRead的

针对于第一种情况强制加上 AQEShuffleReadExec , 这种情况下在ensureRequirements规则下，有可能会增加额外的Shuffle操作，这种情况就是负优化了，所以在进行了reOptimize操作后，会进行一个判断是否有增益:

复制代码

        val afterReOptimize = reOptimize(logicalPlan)
        if (afterReOptimize.isDefined) {
          val (newPhysicalPlan, newLogicalPlan) = afterReOptimize.get
          val origCost = costEvaluator.evaluateCost(currentPhysicalPlan)
          val newCost = costEvaluator.evaluateCost(newPhysicalPlan)
          if (newCost < origCost ||
            (newCost == origCost && currentPhysicalPlan != newPhysicalPlan)) {
            logOnLevel("Plan changed:\n" +
              sideBySide(currentPhysicalPlan.treeString, newPhysicalPlan.treeString).mkString("\n"))
            cleanUpTempTags(newPhysicalPlan)
            currentPhysicalPlan = newPhysicalPlan
            currentLogicalPlan = newLogicalPlan
            stagesToReplace = Seq.empty[QueryStageExec]
          }

这里的条件默认是根据shuffle的个数来计算的，如果优化后的shuffle数有增加，则会回退到之前的物理计划中去，当然用户也可以配置spark.sql.adaptive.customCostEvaluatorClass来实现自己的是否有增益的逻辑。

针对第二种情况，这种情况一般来说都是有正向的提升效果的，但是也会经过第一种情况的逻辑判断。

额外话题

我们这边只说到了对于Shuffle或者Broadcast中Build另一侧的处理,那对于Broadcast中Build一侧的的处理是在哪里呢？

我们知道 Spark中有对SMJ 转 BHJ 有两个地方，一个是正常的流程下经过物理规则的转换(JoinSelection)，另一个是在AQE期间，根据指标再次进行转换，

具体的可以参考:Spark在生产中是否要禁止掉BHJ(BroadcastHashJoin),

对于第一种情况来说，经过EnsureRequirements规则的时候，是不会在Broadcast子节点中增加Shuffle操作的，所以这里就增加不了AQEShuffleReadExec
对于第二种情况来说, 因为在正常流程下，还是SMJ操作，所以会在SMJ字节点中有Shuffle，操作，所以在AQE阶段，可以适用OptimizeShuffleWithLocalRead规则，所以可以看到在这种情况下,Broadcast会有AQEShuffleReadExec 子节点。