概述
所有的shuffle的过程本质上就是一个task将内存中的数据写入磁盘,然后另一个task将磁盘中的数据读入内存的过程。
对于mapreduce来说,我们将内存中的数据写入磁盘成为maptask,将磁盘中的数据读入内存称为reducetask。
而对于spark来说,有的算子的执行会同时会进行写入和读出,这就是shuffle算子,shuffle算子都是转换算子。
面试题1:什么是触发算子,什么是转换算子,什么是shuffle算子
触发算子:
take,count,saveAsTextFile,foreach,foreachpartition,min,max,mean,top,takeOrdered,collect,first,reduce。
转换算子:
filter,map,mapPartitions,flatMap,union,distict,mapValues,keys,values,sortBy,sortByKey,reduceByKey,groupBykey,repartition,coalesce,join类(join,fullOuterJoin,leftOuterJoin,rightOuterJoin)
shuflle算子:
flatMap,distinct,sortBy,sortByKey,reduceByKey,groupByKey,join类(join,fullOuterJoin,leftOuterJoin,rightOuterJoin),repartition,coalesce(根据情况)
spark中的shuffle
1)Hash Based Shuffle
特点:没有排序,只分区,每个Task按照ReduceTask个数生成多个文件【M * R】
优点:简单,数据量比较小,性能就比较高
缺点:小文件非常多,数据量比较大性能非常差
2)Hash Based Shuffle 【优化后的,File Consolidation机制】
两个Executor ,4个ReduceTask,那就是 2 * 4 = 8
进步在哪里?进度在于如果是以前 4 个 map 4 个 reduce 形成 16 个文件,现在引入 executor 以后,生成 8 个文件。
3)Sort Based Shuffle [目前最新的]
对于这种shuffle来说,需要将写和读分开展示
Shuffle Write
第一种:SortShuffleWriter:普通Sort Shuffle Write机制
与MR的Map端Shuffle基本一致
生成一个整体基于分区和分区内部有序的文件和一个索引文件
特点:有排序,先生成多个有序小文件,再生成整体有序大文件,每个Task生成2个文件,数据文件和索引文件
第二种:BypassMergeSortShuffleWriter
类似于优化后的Hash Based Shuffle
先为每个分区生成一个文件,最后合并为一个大文件,分区内部不排序
跟第一个相比,处理的数据量小,处理的分区数小于200 ,不在内存中排序。
场景:数据量小
第三种:UnsafeShuffleWriter
Partition个数不能超过2^24-1个(大于200用这个)
场景:数据量大
Shuffle Read
只有一种
类似于MapReduce中的Reduce端shuffle
MR:Reduce端的shuffle过程一定会经过合并排序、分组