最近專案中用到shuffle調優相關內容，找了一些學習資源，整理成筆記分享給大家
問題：什麼是shuffle？
答案：每個Spark作業啟動執行的時候，首先Driver程式會將我們編寫的Spark作業程式碼分拆為多個stage，每個stage執行一部分程式碼片段，併為每個stage建立一批Task，然後將這些Task分配到各個Executor程式中執行。一個stage的所有Task都執行完畢之後，在各個executor節點上會產生大量的檔案，這些檔案會通過IO寫入磁碟（這些檔案存放的時候這個stage計算得到的中間結果），然後Driver就會排程執行下一個stage。下一個stage的Task的輸入資料就是上一個stage輸出的中間結果。如此迴圈往復，直到程式執行完畢，最終得到我們想要的結果。Spark是根據shuffle類運算元來進行stage的劃分。如果我們的程式碼中執行了某個shuffle類運算元（比如groupByKey、countByKey、reduceByKey、join等等）每當遇到這種型別的RDD運算元的時候，劃分出一個stage界限來。
問題：reduce oom
原因：
reduce task 去map端獲取資料，reduce一邊拉取資料一邊聚合，reduce端有一塊聚合記憶體（executor memory * 0.2）,也就是這塊記憶體不夠
方案：
1.增加reduce 聚合操作的記憶體的比例
2.增加Executor memory的大小
executor-memory 5G
3.減少reduce task每次拉取的資料量,設定spak.reducer.maxSizeInFlight 24m
問題：堆外記憶體不足
描述： shuffle file cannot find or executor lost
原因： 1.map task所執行的executor記憶體不足，導致executor 掛掉了，executor裡面的BlockManager就掛掉了，導致ConnectionManager不能用，也就無法建立連線，從而不能拉取資料。 2.executor並沒有掛掉，BlockManage之間的連線失敗（map task所執行的executor正在GC）建立連線成功，map task所執行的executor正在GC 3.reduce task向Driver中的MapOutputTracker獲取shuffle file位置的時候出現了問題
解決辦法： 1.增大Executor記憶體(即堆內記憶體) ，申請的堆外記憶體也會隨之增加--executor-memory 5G 2.增大堆外記憶體 --conf spark.yarn.executor.memoryoverhead 2048M--conf spark.executor.memoryoverhead 2048M (預設申請的堆外記憶體是Executor記憶體的10%，真正處理大資料的時候，這裡都會出現問題，導致spark作業反覆崩潰，無法執行；此時就會去調節這個引數，到至少1G（1024M），甚至說2G、4G）
問題：降低檔案個數
每個shuffle的前半部分stage的task都會建立出後半部分stage對應的task數量的檔案，然後每個task會有一個記憶體緩衝區，使用HashMap對值進行彙集
預設的shuffle流程圖
相關引數調優
spark.shuffle.file.buffer
預設值：32k
引數說明：該引數用於設定shuffle write task的BufferedOutputStream的buffer緩衝大小。將資料寫到磁碟檔案之前，會先寫入buffer緩衝中，待緩衝寫滿之後，才會溢寫到磁碟。
調優建議：如果作業可用的記憶體資源較為充足的話，可以適當增加這個引數的大小（比如64k），從而減少shuffle write過程中溢寫磁碟檔案的次數，也就可以減少磁碟IO次數，進而提升效能。在實踐中發現，合理調節該引數，效能會有1%~5%的提升。
spark.reducer.maxSizeInFlight
預設值：48m
引數說明：該引數用於設定shuffle read task的buffer緩衝大小，而這個buffer緩衝決定了每次能夠拉取多少資料。
調優建議：如果作業可用的記憶體資源較為充足的話，可以適當增加這個引數的大小（比如96m），從而減少拉取資料的次數，也就可以減少網路傳輸的次數，進而提升效能。在實踐中發現，合理調節該引數，效能會有1%~5%的提升。
spark.shuffle.io.maxRetries
預設值：3
引數說明：shuffle read task從shuffle write task所在節點拉取屬於自己的資料時，如果因為網路異常導致拉取失敗，是會自動進行重試的。該引數就代表了可以重試的最大次數。如果在指定次數之內拉取還是沒有成功，就可能會導致作業執行失敗。
調優建議：對於那些包含了特別耗時的shuffle操作的作業，建議增加重試最大次數（比如60次），以避免由於JVM的full gc或者網路不穩定等因素導致的資料拉取失敗。在實踐中發現，對於針對超大資料量（數十億~上百億）的shuffle過程，調節該引數可以大幅度提升穩定性。
spark.shuffle.io.retryWait
預設值：5s
引數說明：具體解釋同上，該引數代表了每次重試拉取資料的等待間隔，預設是5s。
調優建議：建議加大間隔時長（比如60s），以增加shuffle操作的穩定性。
spark.shuffle.memoryFraction
預設值：0.2
引數說明：該引數代表了Executor記憶體中，分配給shuffle read task進行聚合操作的記憶體比例，預設是20%。
調優建議：在資源引數調優中講解過這個引數。如果記憶體充足，而且很少使用持久化操作，建議調高這個比例，給shuffle read的聚合操作更多記憶體，以避免由於記憶體不足導致聚合過程中頻繁讀寫磁碟。在實踐中發現，合理調節該引數可以將效能提升10%左右。
spark.shuffle.manager
預設值：sort
引數說明：該引數用於設定ShuffleManager的型別。Spark 1.5以後，有三個可選項：hash、sort和tungsten-sort。HashShuffleManager是Spark 1.2以前的預設選項，但是Spark 1.2以及之後的版本預設都是SortShuffleManager了。tungsten-sort與sort類似，但是使用了tungsten計劃中的堆外記憶體管理機制，記憶體使用效率更高。
調優建議：由於SortShuffleManager預設會對資料進行排序，因此如果你的業務邏輯中需要該排序機制的話，則使用預設的SortShuffleManager就可以；而如果你的業務邏輯不需要對資料進行排序，那麼建議參考後面的幾個引數調優，通過bypass機制或優化的HashShuffleManager來避免排序操作，同時提供較好的磁碟讀寫效能。這裡要注意的是，tungsten-sort要慎用，因為之前發現了一些相應的bug。
spark.shuffle.sort.bypassMergeThreshold
預設值：200
引數說明：當ShuffleManager為SortShuffleManager時，如果shuffle read task的數量小於這個閾值（預設是200），則shuffle write過程中不會進行排序操作，而是直接按照未經優化的HashShuffleManager的方式去寫資料，但是最後會將每個task產生的所有臨時磁碟檔案都合併成一個檔案，並會建立單獨的索引檔案。
調優建議：當你使用SortShuffleManager時，如果的確不需要排序操作，那麼建議將這個引數調大一些，大於shuffle read task的數量。那麼此時就會自動啟用bypass機制，map-side就不會進行排序了，減少了排序的效能開銷。但是這種方式下，依然會產生大量的磁碟檔案，因此shuffle write效能有待提高。
spark.shuffle.consolidateFiles
預設值：false
引數說明：如果使用HashShuffleManager，該引數有效。如果設定為true，那麼就會開啟consolidate機制，會大幅度合併shuffle write的輸出檔案，對於shuffle read task數量特別多的情況下，這種方法可以極大地減少磁碟IO開銷，提升效能。
調優建議：如果的確不需要SortShuffleManager的排序機制，那麼除了使用bypass機制，還可以嘗試將spark.shffle.manager引數手動指定為hash，使用HashShuffleManager，同時開啟consolidate機制。在實踐中嘗試過，發現其效能比開啟了bypass機制的SortShuffleManager要高出10%~30%。
複製程式碼參考 https://www.jianshu.com/p/069c37aad295
微信公眾號：大資料diary
公眾號不定期分享大資料相關乾貨文章及學習資料，歡迎志同道合的朋友一起來交流學習！