源文件放在github，隨著理解的深入，不斷更新，如有謬誤之處，歡迎指正。原文鏈接https://github.com/jacksu/utils4s/blob/master/spark-knowledge/md/sort-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sort shuffle。
從1.2.0開始默認為sort shuffle(spark.shuffle.manager = sort)，實現邏輯類似于Hadoop MapReduce，Hash Shuffle每一個reducers產生一個文件，但是Sort Shuffle只是產生一個按照reducer id排序可索引的文件，這樣，只需獲取有關文件中的相關數據塊的位置信息，并fseek就可以讀取指定reducer的數據。但對于rueducer數比較少的情況，Hash Shuffle明顯要比Sort Shuffle快，因此Sort Shuffle有個“fallback”計劃，對于reducers數少于 “spark.shuffle.sort.bypassMergeThreshold” (200 by default)，我們使用fallback計劃，hashing相關數據到分開的文件，然后合并這些文件為一個，具體實現為BypassMergeSortShuffleWriter。
在map進行排序，在reduce端應用Timsort[1]進行合并。map端是否容許spill，通過spark.shuffle.spill來設置，默認是true。設置為false，如果沒有足夠的內存來存儲map的輸出，那么就會導致OOM錯誤，因此要慎用。
用于存儲map輸出的內存為：“JVM Heap Size” \* spark.shuffle.memoryFraction \* spark.shuffle.safetyFraction，默認為“JVM Heap Size” \* 0.2 \* 0.8 = “JVM Heap Size” \* 0.16。如果你在同一個執行程序中運行多個線程（設定spark.executor.cores/ spark.task.cpus超過1）,每個map任務存儲的空間為“JVM Heap Size” * spark.shuffle.memoryFraction * spark.shuffle.safetyFraction / spark.executor.cores * spark.task.cpus, 默認2個cores，那么為0.08 * “JVM Heap Size”。
spark使用AppendOnlyMap存儲map輸出的數據，利用開源hash函數MurmurHash3和平方探測法把key和value保存在相同的array中。這種保存方法可以是spark進行combine。如果spill為true，會在spill前sort。
Sort Shuffle內存的源碼級別更詳細說明可以參考[4],讀寫過程可以參考[5]
優點
- map創建文件量較少
- 少量的IO隨機操作，大部分是順序讀寫
缺點
- 要比Hash Shuffle要慢，需要自己通過
spark.shuffle.sort.bypassMergeThreshold來設置合適的值。 - 如果使用SSD盤存儲shuffle數據，那么Hash Shuffle可能更合適。
參考
[1]Timsort原理介紹
[2]形式化方法的逆襲——如何找出Timsort算法和玉兔月球車中的Bug？
[3]Spark Architecture: Shuffle
