1、前述缓存
Spark中Shuffle的机制能够分为HashShuffle,SortShuffle。网络
SparkShuffle概念数据结构
reduceByKey会将上一个RDD中的每个key对应的全部value聚合成一个value，而后生成一个新的RDD，元素类型是<key,value>对的形式，这样每个key对应一个聚合起来的value。分布式
问题：聚合以前，每个key对应的value不必定都是在一个partition中，也不太可能在同一个节点上，由于RDD是分布式的弹性的数据集，RDD的partition极有可能分布在各个节点上。post
如何聚合？spa
– Shuffle Write：上一个stage的每一个map task就必须保证将本身处理的当前分区的数据相同的key写入一个分区文件中，可能会写入多个不一样的分区文件中。对象
– Shuffle Read：reduce task就会从上一个stage的全部task所在的机器上寻找属于己的那些分区文件，这样就能够保证每个key所对应的value都会汇聚到同一个节点上去处理和聚合。blog
Spark中有两种Shuffle类型，HashShuffle和SortShuffle，Spark1.2以前是HashShuffle默认的分区器是HashPartitioner，Spark1.2引入SortShuffle默认的分区器是RangePartitioner。排序
2、具体索引
一、HashShuffle
1) 普通机制
- 普通机制示意图
- 执行流程
a) 每个map task将不一样结果写到不一样的buffer中，每一个buffer的大小为32K。buffer起到数据缓存的做用。新写的磁盘小文件会追加内容。
b) 每一个buffer文件最后对应一个磁盘小文件。
c) reduce task来拉取对应的磁盘小文件。
- 总结
a) maptask的计算结果会根据分区器（默认是hashPartitioner）来决定写入到哪个磁盘小文件中去。ReduceTask会去Map端拉取相应的磁盘小文件。
b)产生的磁盘小文件的个数：M（map task的个数）*R（reduce task的个数）
- 存在的问题
产生的磁盘小文件过多，会致使如下问题：
a) 在Shuffle Write过程当中会产生不少写磁盘小文件的对象。
b) 在Shuffle Read过程当中会产生不少读取磁盘小文件的对象。
c) 在JVM堆内存中对象过多会形成频繁的gc,gc还没法解决运行所须要的内存 的话，就会OOM。gc工做的时候是不提供工做的。
d) 在数据传输过程当中会有频繁的网络通讯，频繁的网络通讯出现通讯故障的可能性大大增长，一旦网络通讯出现了故障会致使shuffle file cannot find 因为这个错误致使的task失败，TaskScheduler不负责重试，由DAGScheduler负责重试Stage。变相的延长执行时间
1) 合并机制
- 合并机制示意图
一个core 通常运行一个task,图中即使一个executor有两个task，也是串行执行的！！！！
- 总结
产生磁盘小文件的个数：C(core的个数)*R（reduce的个数）
二、SortShuffle
1) 普通机制
- 普通机制示意图
- 执行流程
a) map task 的计算结果会写入到一个内存数据结构里面，内存数据结构默认是5M
b) 在shuffle的时候会有一个定时器，不按期的去估算这个内存结构的大小，当内存结构中的数据超过5M时，好比如今内存结构中的数据为5.01M，那么他会申请5.01*2-5=5.02M内存给内存数据结构。
c) 若是申请成功不会进行溢写，若是申请不成功，这时候会发生溢写磁盘。
d) 在溢写以前内存结构中的数据会进行排序分区
e) 而后开始溢写磁盘，写磁盘是以batch的形式去写，一个batch是1万条数据，
f) map task执行完成后，会将这些磁盘小文件合并成一个大的磁盘文件（有序），同时生成一个索引文件。
g) reduce task去map端拉取数据的时候，首先解析索引文件，根据索引文件再去拉取对应的数据。
- 总结
产生磁盘小文件的个数： 2*M（map task的个数）索引文件-和磁盘文件
2) bypass机制（好比wordcount)不须要排序时使用
- bypass机制示意图
- 总结
a) bypass运行机制的触发条件以下：
shuffle reduce task的数量小于spark.shuffle.sort.bypassMergeThreshold的参数值。这个值默认是200。
b）产生的磁盘小文件为：2*M（map task的个数）