Spark的shuffle和MapReduce的shuffle对比

shuffle阶段划分

Map阶段和Reduce阶段

任务

MapTask和ReduceTask

shuffle过程

Map阶段shuffle：分区->排序->合并

①数据从环形缓冲区溢写到磁盘前，需要先进行分区，然后区内排序

②环形缓存区数据到达阈值(80%)，会以小文件的形式溢写到磁盘，此过程可以开启combiner

③将溢写的小文件按照相同分区进行merge

Reduce阶段shuffle：拷贝数据->排序->合并

①一个ReduceTask负责一个分区数据，需从多个MapTask的同一个分区拷贝数据到机器。

②将拷贝过来的数据优先存储在内存，次之磁盘，然后排序，合并做到数据分区内有序

shffle的意义：只有存在reduce才有shuffle，shuffle的意义就是给reduce提供服务。

介绍

①spark的某些算子会触发shuffle，出现shuffle的目的是在不同分区间重新分配数据。

②shuffle过程数据是跨机器传输的，消耗大量的网络io和序列化，消耗性能。

③shuffle后不能保证新的分区的数据是有序的。区别于MR ( MR的shuffle后区内的数据是有序的 )

但是可以调用排序的算子，使得数据区内有序。

④产生shuffle的算子都是分两步执行，mapTask组织数据(shuffle write), reduceTask(shuffle read)

⑤spark的mapTask优先将数据写入内存，内存不足，将数据区内有序，溢写到磁盘

会产生shuffle的算子

①repartition 和 coalesce 重新计算分区的算子。

②??ByKey：除了countByKey，都会产线shuffle

③cogroup 和 join

性能的影响

shuffle就是将数据在不同分区间进行聚合分配，集群的多节点的数据交换，会涉及到磁盘I/O，序列化，网络I/O，很消耗性能。

spark中的shuffle耗时，消耗性能，应该尽量避免！

spark中的shuffle和MapReduce的shuffle的功能一致，跨机器传输数据，细节略有不同。

巴特西