MapReduce的Shuffle過(guò)程介紹
Shuffle的本義是洗牌、混洗，把一組有一定規(guī)則的數(shù)據(jù)盡量轉(zhuǎn)換成一組無(wú)規(guī)則的數(shù)據(jù)，越隨機(jī)越好。MapReduce中的Shuffle更像是洗牌的逆過(guò)程，把一組無(wú)規(guī)則的數(shù)據(jù)盡量轉(zhuǎn)換成一組具有一定規(guī)則的數(shù)據(jù)。
為什么MapReduce計(jì)算模型需要Shuffle過(guò)程？我們都知道MapReduce計(jì)算模型一般包括兩個(gè)重要的階段：Map是映射，負(fù)責(zé)數(shù)據(jù)的過(guò)濾分發(fā)；Reduce是規(guī)約，負(fù)責(zé)數(shù)據(jù)的計(jì)算歸并。Reduce的數(shù)據(jù)來(lái)源于Map，Map的輸出即是Reduce的輸入，Reduce需要通過(guò)Shuffle來(lái)獲取數(shù)據(jù)。
從Map輸出到Reduce輸入的整個(gè)過(guò)程可以廣義地稱為Shuffle。Shuffle橫跨Map端和Reduce端，在Map端包括Spill過(guò)程，在Reduce端包括copy和sort過(guò)程，如圖所示：
Spill過(guò)程
Spill過(guò)程包括輸出、排序、溢寫、合并等步驟，如圖所示：
Collect
每個(gè)Map任務(wù)不斷地以對(duì)的形式把數(shù)據(jù)輸出到在內(nèi)存中構(gòu)造的一個(gè)環(huán)形數(shù)據(jù)結(jié)構(gòu)中。使用環(huán)形數(shù)據(jù)結(jié)構(gòu)是為了更有效地使用內(nèi)存空間，在內(nèi)存中放置盡可能多的數(shù)據(jù)。
這個(gè)數(shù)據(jù)結(jié)構(gòu)其實(shí)就是個(gè)字節(jié)數(shù)組，叫Kvbuffer，名如其義，但是這里面不光放置了
value>數(shù)據(jù)，還放置了一些索引數(shù)據(jù)，給放置索引數(shù)據(jù)的區(qū)域起了一個(gè)Kvmeta的別名，在Kvbuffer的一塊區(qū)域上穿了一個(gè)IntBuffer（字節(jié)序采用的是平臺(tái)自身的字節(jié)序）的馬甲。
value>數(shù)據(jù)區(qū)域和索引數(shù)據(jù)區(qū)域在Kvbuffer中是相鄰不重疊的兩個(gè)區(qū)域，用一個(gè)分界點(diǎn)來(lái)劃分兩者，分界點(diǎn)不是亙古不變的，而是每次Spill之后都會(huì)更新一次。初始的分界點(diǎn)是0，
value>數(shù)據(jù)的存儲(chǔ)方向是向上增長(zhǎng)，索引數(shù)據(jù)的存儲(chǔ)方向是向下增長(zhǎng)，如圖所示：
Kvbuffer的存放指針bufindex是一直悶著頭地向上增長(zhǎng)，比如bufindex初始值為0，一個(gè)Int型的key寫完之后，bufindex增長(zhǎng)為4，一個(gè)Int型的value寫完之后，bufindex增長(zhǎng)為8。
索引是對(duì)
value>在kvbuffer中的索引，是個(gè)四元組，包括：value的起始位置、key的起始位置、partition值、value的長(zhǎng)度，占用四個(gè)Int長(zhǎng)度，Kvmeta的存放指針Kvindex每次都是向下跳四個(gè)“格子”，然后再向上一個(gè)格子一個(gè)格子地填充四元組的數(shù)據(jù)。比如Kvindex初始位置是-4，當(dāng)?shù)谝粋€(gè)
value>寫完之后，(Kvindex+0)的位置存放value的起始位置、(Kvindex+1)的位置存放key的起始位置、(Kvindex+2)的位置存放partition的值、(Kvindex+3)的位置存放value的長(zhǎng)度，然后Kvindex跳到-8位置，等第二個(gè)
value>和索引寫完之后，Kvindex跳到-32位置。
Kvbuffer的大小雖然可以通過(guò)參數(shù)設(shè)置，但是總共就那么大，
value>和索引不斷地增加，加著加著，Kvbuffer總有不夠用的那天，那怎么辦？把數(shù)據(jù)從內(nèi)存刷到磁盤上再接著往內(nèi)存寫數(shù)據(jù)，把Kvbuffer中的數(shù)據(jù)刷到磁盤上的過(guò)程就叫Spill，多么明了的叫法，內(nèi)存中的數(shù)據(jù)滿了就自動(dòng)地spill到具有更大空間的磁盤。
關(guān)于Spill觸發(fā)的條件，也就是Kvbuffer用到什么程度開(kāi)始Spill，還是要講究一下的。如果把Kvbuffer用得死死得，一點(diǎn)縫都不剩的時(shí)候再開(kāi)始Spill，那Map任務(wù)就需要等Spill完成騰出空間之后才能繼續(xù)寫數(shù)據(jù)；如果Kvbuffer只是滿到一定程度，比如80%的時(shí)候就開(kāi)始Spill，那在Spill的同時(shí)，Map任務(wù)還能繼續(xù)寫數(shù)據(jù)，如果Spill夠快，Map可能都不需要為空閑空間而發(fā)愁。兩利相衡取其大，一般選擇后者。
Spill這個(gè)重要的過(guò)程是由Spill線程承擔(dān)，Spill線程從Map任務(wù)接到“命令”之后就開(kāi)始正式干活，干的活叫SortAndSpill，原來(lái)不僅僅是Spill，在Spill之前還有個(gè)頗具爭(zhēng)議性的Sort。
Sort
先把Kvbuffer中的數(shù)據(jù)按照partition值和key兩個(gè)關(guān)鍵字升序排序，移動(dòng)的只是索引數(shù)據(jù)，排序結(jié)果是Kvmeta中數(shù)據(jù)按照partition為單位聚集在一起，同一partition內(nèi)的按照key有序。
Spill
Spill線程為這次Spill過(guò)程創(chuàng)建一個(gè)磁盤文件：從所有的本地目錄中輪訓(xùn)查找能存儲(chǔ)這么大空間的目錄，找到之后在其中創(chuàng)建一個(gè)類似于“spill12.out”的文件。Spill線程根據(jù)排過(guò)序的Kvmeta挨個(gè)partition的把
value>數(shù)據(jù)吐到這個(gè)文件中，一個(gè)partition對(duì)應(yīng)的數(shù)據(jù)吐完之后順序地吐下個(gè)partition，直到把所有的partition遍歷完。一個(gè)partition在文件中對(duì)應(yīng)的數(shù)據(jù)也叫段(segment)。
所有的partition對(duì)應(yīng)的數(shù)據(jù)都放在這個(gè)文件里，雖然是順序存放的，但是怎么直接知道某個(gè)partition在這個(gè)文件中存放的起始位置呢？強(qiáng)大的索引又出場(chǎng)了。有一個(gè)三元組記錄某個(gè)partition對(duì)應(yīng)的數(shù)據(jù)在這個(gè)文件中的索引：起始位置、原始數(shù)據(jù)長(zhǎng)度、壓縮之后的數(shù)據(jù)長(zhǎng)度，一個(gè)partition對(duì)應(yīng)一個(gè)三元組。然后把這些索引信息存放在內(nèi)存中，如果內(nèi)存中放不下了，后續(xù)的索引信息就需要寫到磁盤文件中了：從所有的本地目錄中輪訓(xùn)查找能存儲(chǔ)這么大空間的目錄，找到之后在其中創(chuàng)建一個(gè)類似于“spill12.out.index”的文件，文件中不光存儲(chǔ)了索引數(shù)據(jù)，還存儲(chǔ)了crc32的校驗(yàn)數(shù)據(jù)。(spill12.out.index不一定在磁盤上創(chuàng)建，如果內(nèi)存（默認(rèn)1M空間）中能放得下就放在內(nèi)存中，即使在磁盤上創(chuàng)建了，和spill12.out文件也不一定在同一個(gè)目錄下。)
每一次Spill過(guò)程就會(huì)最少生成一個(gè)out文件，有時(shí)還會(huì)生成index文件，Spill的次數(shù)也烙印在文件名中。索引文件和數(shù)據(jù)文件的對(duì)應(yīng)關(guān)系如下圖所示：
話分兩端，在Spill線程如火如荼的進(jìn)行SortAndSpill工作的同時(shí)，Map任務(wù)不會(huì)因此而停歇，而是一無(wú)既往地進(jìn)行著數(shù)據(jù)輸出。Map還是把數(shù)據(jù)寫到kvbuffer中，那問(wèn)題就來(lái)了：只顧著悶頭按照bufindex指針向上增長(zhǎng)，kvmeta只顧著按照Kvindex向下增長(zhǎng)，是保持指針起始位置不變繼續(xù)跑呢，還是另謀它路？如果保持指針起始位置不變，很快bufindex和Kvindex就碰頭了，碰頭之后再重新開(kāi)始或者移動(dòng)內(nèi)存都比較麻煩，不可取。Map取kvbuffer中剩余空間的中間位置，用這個(gè)位置設(shè)置為新的分界點(diǎn)，bufindex指針移動(dòng)到這個(gè)分界點(diǎn)，Kvindex移動(dòng)到這個(gè)分界點(diǎn)的-16位置，然后兩者就可以和諧地按照自己既定的軌跡放置數(shù)據(jù)了，當(dāng)Spill完成，空間騰出之后，不需要做任何改動(dòng)繼續(xù)前進(jìn)。分界點(diǎn)的轉(zhuǎn)換如下圖所示：
Map任務(wù)總要把輸出的數(shù)據(jù)寫到磁盤上，即使輸出數(shù)據(jù)量很小在內(nèi)存中全部能裝得下，在最后也會(huì)把數(shù)據(jù)刷到磁盤上。
Merge
Map任務(wù)如果輸出數(shù)據(jù)量很大，可能會(huì)進(jìn)行好幾次Spill，out文件和Index文件會(huì)產(chǎn)生很多，分布在不同的磁盤上。最后把這些文件進(jìn)行合并的merge過(guò)程閃亮登場(chǎng)。
Merge過(guò)程怎么知道產(chǎn)生的Spill文件都在哪了呢？從所有的本地目錄上掃描得到產(chǎn)生的Spill文件，然后把路徑存儲(chǔ)在一個(gè)數(shù)組里。Merge過(guò)程又怎么知道Spill的索引信息呢？沒(méi)錯(cuò)，也是從所有的本地目錄上掃描得到Index文件，然后把索引信息存儲(chǔ)在一個(gè)列表里。到這里，又遇到了一個(gè)值得納悶的地方。在之前Spill過(guò)程中的時(shí)候?yàn)槭裁床恢苯影堰@些信息存儲(chǔ)在內(nèi)存中呢，何必又多了這步掃描的操作？特別是Spill的索引數(shù)據(jù)，之前當(dāng)內(nèi)存超限之后就把數(shù)據(jù)寫到磁盤，現(xiàn)在又要從磁盤把這些數(shù)據(jù)讀出來(lái)，還是需要裝到更多的內(nèi)存中。之所以多此一舉，是因?yàn)檫@時(shí)kvbuffer這個(gè)內(nèi)存大戶已經(jīng)不再使用可以回收，有內(nèi)存空間來(lái)裝這些數(shù)據(jù)了。（對(duì)于內(nèi)存空間較大的土豪來(lái)說(shuō)，用內(nèi)存來(lái)省卻這兩個(gè)io步驟還是值得考慮的。）
然后為merge過(guò)程創(chuàng)建一個(gè)叫file.out的文件和一個(gè)叫file.out.Index的文件用來(lái)存儲(chǔ)最終的輸出和索引。
一個(gè)partition一個(gè)partition的進(jìn)行合并輸出。對(duì)于某個(gè)partition來(lái)說(shuō)，從索引列表中查詢這個(gè)partition對(duì)應(yīng)的所有索引信息，每個(gè)對(duì)應(yīng)一個(gè)段插入到段列表中。也就是這個(gè)partition對(duì)應(yīng)一個(gè)段列表，記錄所有的Spill文件中對(duì)應(yīng)的這個(gè)partition那段數(shù)據(jù)的文件名、起始位置、長(zhǎng)度等等。
然后對(duì)這個(gè)partition對(duì)應(yīng)的所有的segment進(jìn)行合并，目標(biāo)是合并成一個(gè)segment。當(dāng)這個(gè)partition對(duì)應(yīng)很多個(gè)segment時(shí)，會(huì)分批地進(jìn)行合并：先從segment列表中把第一批取出來(lái)，以key為關(guān)鍵字放置成最小堆，然后從最小堆中每次取出最小的<key,value>輸出到一個(gè)臨時(shí)文件中，這樣就把這一批段合并成一個(gè)臨時(shí)的段，把它加回到segment列表中；再?gòu)膕egment列表中把第二批取出來(lái)合并輸出到一個(gè)臨時(shí)segment，把其加入到列表中；這樣往復(fù)執(zhí)行，直到剩下的段是一批，輸出到最終的文件中。
最終的索引數(shù)據(jù)仍然輸出到Index文件中。
Map端的Shuffle過(guò)程到此結(jié)束。
Copy
Reduce任務(wù)通過(guò)HTTP向各個(gè)Map任務(wù)拖取它所需要的數(shù)據(jù)。每個(gè)節(jié)點(diǎn)都會(huì)啟動(dòng)一個(gè)常駐的HTTP
server，其中一項(xiàng)服務(wù)就是響應(yīng)Reduce拖取Map數(shù)據(jù)。當(dāng)有MapOutput的HTTP請(qǐng)求過(guò)來(lái)的時(shí)候，HTTP
server就讀取相應(yīng)的Map輸出文件中對(duì)應(yīng)這個(gè)Reduce部分的數(shù)據(jù)通過(guò)網(wǎng)絡(luò)流輸出給Reduce。
Reduce任務(wù)拖取某個(gè)Map對(duì)應(yīng)的數(shù)據(jù)，如果在內(nèi)存中能放得下這次數(shù)據(jù)的話就直接把數(shù)據(jù)寫到內(nèi)存中。Reduce要向每個(gè)Map去拖取數(shù)據(jù)，在內(nèi)存中每個(gè)Map對(duì)應(yīng)一塊數(shù)據(jù)，當(dāng)內(nèi)存中存儲(chǔ)的Map數(shù)據(jù)占用空間達(dá)到一定程度的時(shí)候，開(kāi)始啟動(dòng)內(nèi)存中merge，把內(nèi)存中的數(shù)據(jù)merge輸出到磁盤上一個(gè)文件中。
如果在內(nèi)存中不能放得下這個(gè)Map的數(shù)據(jù)的話，直接把Map數(shù)據(jù)寫到磁盤上，在本地目錄創(chuàng)建一個(gè)文件，從HTTP流中讀取數(shù)據(jù)然后寫到磁盤，使用的緩存區(qū)大小是64K。拖一個(gè)Map數(shù)據(jù)過(guò)來(lái)就會(huì)創(chuàng)建一個(gè)文件，當(dāng)文件數(shù)量達(dá)到一定閾值時(shí)，開(kāi)始啟動(dòng)磁盤文件merge，把這些文件合并輸出到一個(gè)文件。
有些Map的數(shù)據(jù)較小是可以放在內(nèi)存中的，有些Map的數(shù)據(jù)較大需要放在磁盤上，這樣最后Reduce任務(wù)拖過(guò)來(lái)的數(shù)據(jù)有些放在內(nèi)存中了有些放在磁盤上，最后會(huì)對(duì)這些來(lái)一個(gè)全局合并。
Merge Sort
這里使用的Merge和Map端使用的Merge過(guò)程一樣。Map的輸出數(shù)據(jù)已經(jīng)是有序的，Merge進(jìn)行一次合并排序，所謂Reduce端的sort過(guò)程就是這個(gè)合并的過(guò)程。一般Reduce是一邊copy一邊sort，即copy和sort兩個(gè)階段是重疊而不是完全分開(kāi)的。
Reduce端的Shuffle過(guò)程至此結(jié)束。
Spark的Shuffle過(guò)程介紹
Shuffle Writer
Spark豐富了任務(wù)類型，有些任務(wù)之間數(shù)據(jù)流轉(zhuǎn)不需要通過(guò)Shuffle，但是有些任務(wù)之間還是需要通過(guò)Shuffle來(lái)傳遞數(shù)據(jù)，比如wide dependency的group by key。
Spark中需要Shuffle輸出的Map任務(wù)會(huì)為每個(gè)Reduce創(chuàng)建對(duì)應(yīng)的bucket，Map產(chǎn)生的結(jié)果會(huì)根據(jù)設(shè)置的partitioner得到對(duì)應(yīng)的bucketId，然后填充到相應(yīng)的bucket中去。每個(gè)Map的輸出結(jié)果可能包含所有的Reduce所需要的數(shù)據(jù)，所以每個(gè)Map會(huì)創(chuàng)建R個(gè)bucket（R是reduce的個(gè)數(shù)），M個(gè)Map總共會(huì)創(chuàng)建M*R個(gè)bucket。
Map創(chuàng)建的bucket其實(shí)對(duì)應(yīng)磁盤上的一個(gè)文件，Map的結(jié)果寫到每個(gè)bucket中其實(shí)就是寫到那個(gè)磁盤文件中，這個(gè)文件也被稱為blockFile，是Disk Block Manager管理器通過(guò)文件名的Hash值對(duì)應(yīng)到本地目錄的子目錄中創(chuàng)建的。每個(gè)Map要在節(jié)點(diǎn)上創(chuàng)建R個(gè)磁盤文件用于結(jié)果輸出，Map的結(jié)果是直接輸出到磁盤文件上的，100KB的內(nèi)存緩沖是用來(lái)創(chuàng)建Fast Buffered OutputStream輸出流。這種方式一個(gè)問(wèn)題就是Shuffle文件過(guò)多。
針對(duì)上述Shuffle過(guò)程產(chǎn)生的文件過(guò)多問(wèn)題，Spark有另外一種改進(jìn)的Shuffle過(guò)程：consolidation Shuffle，以期顯著減少Shuffle文件的數(shù)量。在consolidation Shuffle中每個(gè)bucket并非對(duì)應(yīng)一個(gè)文件，而是對(duì)應(yīng)文件中的一個(gè)segment部分。Job的map在某個(gè)節(jié)點(diǎn)上第一次執(zhí)行，為每個(gè)reduce創(chuàng)建bucket對(duì)應(yīng)的輸出文件，把這些文件組織成ShuffleFileGroup，當(dāng)這次map執(zhí)行完之后，這個(gè)ShuffleFileGroup可以釋放為下次循環(huán)利用；當(dāng)又有map在這個(gè)節(jié)點(diǎn)上執(zhí)行時(shí)，不需要?jiǎng)?chuàng)建新的bucket文件，而是在上次的ShuffleFileGroup中取得已經(jīng)創(chuàng)建的文件繼續(xù)追加寫一個(gè)segment；當(dāng)前次map還沒(méi)執(zhí)行完，ShuffleFileGroup還沒(méi)有釋放，這時(shí)如果有新的map在這個(gè)節(jié)點(diǎn)上執(zhí)行，無(wú)法循環(huán)利用這個(gè)ShuffleFileGroup，而是只能創(chuàng)建新的bucket文件組成新的ShuffleFileGroup來(lái)寫輸出。
比如一個(gè)Job有3個(gè)Map和2個(gè)reduce：(1) 如果此時(shí)集群有3個(gè)節(jié)點(diǎn)有空槽，每個(gè)節(jié)點(diǎn)空閑了一個(gè)core，則3個(gè)Map會(huì)調(diào)度到這3個(gè)節(jié)點(diǎn)上執(zhí)行，每個(gè)Map都會(huì)創(chuàng)建2個(gè)Shuffle文件，總共創(chuàng)建6個(gè)Shuffle文件；(2) 如果此時(shí)集群有2個(gè)節(jié)點(diǎn)有空槽，每個(gè)節(jié)點(diǎn)空閑了一個(gè)core，則2個(gè)Map先調(diào)度到這2個(gè)節(jié)點(diǎn)上執(zhí)行，每個(gè)Map都會(huì)創(chuàng)建2個(gè)Shuffle文件，然后其中一個(gè)節(jié)點(diǎn)執(zhí)行完Map之后又調(diào)度執(zhí)行另一個(gè)Map，則這個(gè)Map不會(huì)創(chuàng)建新的Shuffle文件，而是把結(jié)果輸出追加到之前Map創(chuàng)建的Shuffle文件中；總共創(chuàng)建4個(gè)Shuffle文件；(3) 如果此時(shí)集群有2個(gè)節(jié)點(diǎn)有空槽，一個(gè)節(jié)點(diǎn)有2個(gè)空core一個(gè)節(jié)點(diǎn)有1個(gè)空core，則一個(gè)節(jié)點(diǎn)調(diào)度2個(gè)Map一個(gè)節(jié)點(diǎn)調(diào)度1個(gè)Map，調(diào)度2個(gè)Map的節(jié)點(diǎn)上，一個(gè)Map創(chuàng)建了Shuffle文件，后面的Map還是會(huì)創(chuàng)建新的Shuffle文件，因?yàn)樯弦粋€(gè)Map還正在寫，它創(chuàng)建的ShuffleFileGroup還沒(méi)有釋放；總共創(chuàng)建6個(gè)Shuffle文件。
Shuffle Fetcher
Reduce去拖Map的輸出數(shù)據(jù)，Spark提供了兩套不同的拉取數(shù)據(jù)框架：通過(guò)socket連接去取數(shù)據(jù)；使用netty框架去取數(shù)據(jù)。
每個(gè)節(jié)點(diǎn)的Executor會(huì)創(chuàng)建一個(gè)BlockManager，其中會(huì)創(chuàng)建一個(gè)BlockManagerWorker用于響應(yīng)請(qǐng)求。當(dāng)Reduce的GET_BLOCK的請(qǐng)求過(guò)來(lái)時(shí)，讀取本地文件將這個(gè)blockId的數(shù)據(jù)返回給Reduce。如果使用的是Netty框架，BlockManager會(huì)創(chuàng)建ShuffleSender用于發(fā)送Shuffle數(shù)據(jù)。
并不是所有的數(shù)據(jù)都是通過(guò)網(wǎng)絡(luò)讀取，對(duì)于在本節(jié)點(diǎn)的Map數(shù)據(jù)，Reduce直接去磁盤上讀取而不再通過(guò)網(wǎng)絡(luò)框架。
Reduce拖過(guò)來(lái)數(shù)據(jù)之后以什么方式存儲(chǔ)呢？Spark
Map輸出的數(shù)據(jù)沒(méi)有經(jīng)過(guò)排序，Spark Shuffle過(guò)來(lái)的數(shù)據(jù)也不會(huì)進(jìn)行排序，Spark認(rèn)為Shuffle過(guò)程中的排序不是必須的，并不是所有類型的Reduce需要的數(shù)據(jù)都需要排序，強(qiáng)制地進(jìn)行排序只會(huì)增加Shuffle的負(fù)擔(dān)。Reduce拖過(guò)來(lái)的數(shù)據(jù)會(huì)放在一個(gè)HashMap中，HashMap中存儲(chǔ)的也是<key,value>對(duì)，key是Map輸出的key，Map輸出對(duì)應(yīng)這個(gè)key的所有value組成HashMap的value。Spark將Shuffle取過(guò)來(lái)的每一個(gè)<key,value>對(duì)插入或者更新到HashMap中，來(lái)一個(gè)處理一個(gè)。HashMap全部放在內(nèi)存中。
Shuffle取過(guò)來(lái)的數(shù)據(jù)全部存放在內(nèi)存中，對(duì)于數(shù)據(jù)量比較小或者已經(jīng)在Map端做過(guò)合并處理的Shuffle數(shù)據(jù)，占用內(nèi)存空間不會(huì)太大，但是對(duì)于比如groupbykey這樣的操作，Reduce需要得到key對(duì)應(yīng)的所有value，并將這些value組一個(gè)數(shù)組放在內(nèi)存中，這樣當(dāng)數(shù)據(jù)量較大時(shí)，就需要較多內(nèi)存。
當(dāng)內(nèi)存不夠時(shí)，要不就失敗，要不就用老辦法把內(nèi)存中的數(shù)據(jù)移到磁盤上放著。Spark意識(shí)到在處理數(shù)據(jù)規(guī)模遠(yuǎn)遠(yuǎn)大于內(nèi)存空間時(shí)所帶來(lái)的不足，引入了一個(gè)具有外部排序的方案。Shuffle過(guò)來(lái)的數(shù)據(jù)先放在內(nèi)存中，當(dāng)內(nèi)存中存儲(chǔ)的<key,value>對(duì)超過(guò)1000并且內(nèi)存使用超過(guò)70%時(shí)，判斷節(jié)點(diǎn)上可用內(nèi)存如果還足夠，則把內(nèi)存緩沖區(qū)大小翻倍，如果可用內(nèi)存不再夠了，則把內(nèi)存中的<key,value>對(duì)排序然后寫到磁盤文件中。最后把內(nèi)存緩沖區(qū)中的數(shù)據(jù)排序之后和那些磁盤文件組成一個(gè)最小堆，每次從最小堆中讀取最小的數(shù)據(jù)，這個(gè)和MapReduce中的merge過(guò)程類似。
MapReduce和Spark的Shuffle過(guò)程對(duì)比
Shuffle后續(xù)優(yōu)化方向
通過(guò)上面的介紹，我們了解到，Shuffle過(guò)程的主要存儲(chǔ)介質(zhì)是磁盤，盡量的減少IO是Shuffle的主要優(yōu)化方向。我們腦海中都有那個(gè)經(jīng)典的存儲(chǔ)金字塔體系，Shuffle過(guò)程為什么把結(jié)果都放在磁盤上，那是因?yàn)楝F(xiàn)在內(nèi)存再大也大不過(guò)磁盤，內(nèi)存就那么大，還這么多張嘴吃，當(dāng)然是分配給最需要的了。如果具有“土豪”內(nèi)存節(jié)點(diǎn)，減少Shuffle
IO的最有效方式無(wú)疑是盡量把數(shù)據(jù)放在內(nèi)存中。下面列舉一些現(xiàn)在看可以優(yōu)化的方面，期待經(jīng)過(guò)我們不斷的努力，TDW計(jì)算引擎運(yùn)行地更好。
MapReduce Shuffle后續(xù)優(yōu)化方向
壓縮：對(duì)數(shù)據(jù)進(jìn)行壓縮，減少寫讀數(shù)據(jù)量；
減少不必要的排序：并不是所有類型的Reduce需要的數(shù)據(jù)都是需要排序的，排序這個(gè)nb的過(guò)程如果不需要最好還是不要的好；
內(nèi)存化：Shuffle的數(shù)據(jù)不放在磁盤而是盡量放在內(nèi)存中，除非逼不得已往磁盤上放；當(dāng)然了如果有性能和內(nèi)存相當(dāng)?shù)牡谌酱鎯?chǔ)系統(tǒng)，那放在第三方存儲(chǔ)系統(tǒng)上也是很好的；這個(gè)是個(gè)大招；
網(wǎng)絡(luò)框架：netty的性能據(jù)說(shuō)要占優(yōu)了；
本節(jié)點(diǎn)上的數(shù)據(jù)不走網(wǎng)絡(luò)框架：對(duì)于本節(jié)點(diǎn)上的Map輸出，Reduce直接去讀吧，不需要繞道網(wǎng)絡(luò)框架。
Spark Shuffle后續(xù)優(yōu)化方向
Spark作為MapReduce的進(jìn)階架構(gòu)，對(duì)于Shuffle過(guò)程已經(jīng)是優(yōu)化了的，特別是對(duì)于那些具有爭(zhēng)議的步驟已經(jīng)做了優(yōu)化，但是Spark的Shuffle對(duì)于我們來(lái)說(shuō)在一些方面還是需要優(yōu)化的。
壓縮：對(duì)數(shù)據(jù)進(jìn)行壓縮，減少寫讀數(shù)據(jù)量；
內(nèi)存化：Spark歷史版本中是有這樣設(shè)計(jì)的：Map寫數(shù)據(jù)先把數(shù)據(jù)全部寫到內(nèi)存中，寫完之后再把數(shù)據(jù)刷到磁盤上；考慮內(nèi)存是緊缺資源，后來(lái)修改成把數(shù)據(jù)直接寫到磁盤了；對(duì)于具有較大內(nèi)存的集群來(lái)講，還是盡量地往內(nèi)存上寫吧，內(nèi)存放不下了再放磁盤。
