Spark Shuffle之Hash Shuffle
源文件放在github，如有謬誤之處，歡迎指正。 原文鏈接https://github.com/jacksu/utils4s/blob/master/spark-knowledge/md/hash-shuffle.md
正如你所知，spark實現了多種shuffle方法，通過 spark.shuffle.manager來確定。暫時總共有三種：hash shuffle、sort shuffle和tungsten-sort shuffle，從1.2.0開始默認為sort shuffle。本節主要介紹hash shuffle。
spark在1.2前默認為hash shuffle（spark.shuffle.manager = hash），但hash shuffle也經歷了兩個發展階段。
第一階段
上圖有 4 個 ShuffleMapTask 要在同一個 worker node 上運行，CPU core 數為 2，可以同時運行兩個 task。每個 task 的執行結果（該 stage 的 finalRDD 中某個 partition 包含的 records）被逐一寫到本地磁盤上。每個 task 包含 R 個緩沖區，R = reducer 個數（也就是下一個 stage 中 task 的個數），緩沖區被稱為 bucket，其大小為spark.shuffle.file.buffer.kb ，默認是 32KB（Spark 1.1 版本以前是 100KB）。
第二階段
這樣的實現很簡單，但有幾個問題：
1 產生的 FileSegment 過多。每個 ShuffleMapTask 產生 R（reducer 個數）個 FileSegment，M 個 ShuffleMapTask 就會產生 M * R 個文件。一般 Spark job 的 M 和 R 都很大，因此磁盤上會存在大量的數據文件。
2 緩沖區占用內存空間大。每個 ShuffleMapTask 需要開 R 個 bucket，M 個 ShuffleMapTask 就會產生 M * R 個 bucket。雖然一個 ShuffleMapTask 結束后，對應的緩沖區可以被回收，但一個 worker node 上同時存在的 bucket 個數可以達到 cores R 個（一般 worker 同時可以運行 cores 個 ShuffleMapTask），占用的內存空間也就達到了 cores * R * 32 KB 。對于 8 核 1000 個 reducer 來說，占用內存就是 256MB。
spark.shuffle.consolidateFiles默認為false，如果為true，shuffleMapTask輸出文件可以被合并。如圖
可以明顯看出，在一個 core 上連續執行的 ShuffleMapTasks 可以共用一個輸出文件 ShuffleFile。先執行完的 ShuffleMapTask 形成 ShuffleBlock i，后執行的 ShuffleMapTask 可以將輸出數據直接追加到 ShuffleBlock i 后面，形成 ShuffleBlock i'，每個 ShuffleBlock 被稱為 FileSegment。下一個 stage 的 reducer 只需要 fetch 整個 ShuffleFile 就行了。這樣，每個 worker 持有的文件數降為 cores * R 。 但是緩存空間占用大還沒有解決 。
總結
優點
- 快-不需要排序，也不需要維持hash表
- 不需要額外空間用作排序
- 不需要額外IO-數據寫入磁盤只需一次，讀取也只需一次
缺點
- 當partitions大時，輸出大量的文件（cores * R）,性能開始降低
- 大量的文件寫入，使文件系統開始變為隨機寫，性能比順序寫要降低100倍
- 緩存空間占用比較大
當然，數據經過序列化、壓縮寫入文件，讀取的時候，需要反序列化、解壓縮。reduce fetch的時候有一個非常重要的參數 spark.reducer.maxSizeInFlight ，這里用 softBuffer 表示，默認大小為 48MB。一個 softBuffer 里面一般包含多個 FileSegment，但如果某個 FileSegment 特別大的話，這一個就可以填滿甚至超過 softBuffer 的界限。如果增大，reduce請求的chunk就會變大，可以提高性能，但是增加了reduce的內存使用量。
如果排序在reduce不強制執行，那么reduce只返回一個依賴于map的迭代器。如果需要排序， 那么在reduce端，調用 ExternalSorter 。