大資料開發：剖析Hadoop和Spark的Shuffle過程差異

一、前言

對於基於MapReduce程式設計正規化的分散式計算來說，本質上而言，就是在計算資料的交、並、差、聚合、排序等過程。而分散式計算分而治之的思想，讓每個節點只計算部分資料，也就是隻處理一個分片，那麼要想求得某個key對應的全量資料，那就必須把相同key的資料彙集到同一個Reduce任務節點來處理，那麼Mapreduce正規化定義了一個叫做Shuffle的過程來實現這個效果。

二、編寫本文的目的

本文旨在剖析Hadoop和Spark的Shuffle過程，並對比兩者Shuffle的差異。

三、Hadoop的Shuffle過程

Shuffle描述的是資料從Map端到Reduce端的過程，大資料學習kou群74零零加【41三八yi】大致分為排序（sort）、溢寫（spill）、合併（merge）、拉取複製（Copy）、合併排序（merge sort）這幾個過程，大體流程如下：

![image]()

上圖的Map的輸出的檔案被分片為紅綠藍三個分片，這個分片的就是根據Key為條件來分片的，分片演算法可以自己實現，例如Hash、Range等，最終Reduce任務只拉取對應顏色的資料來進行處理，就實現把相同的Key拉取到相同的Reduce節點處理的功能。下面分開來說Shuffle的的各個過程。

Map端做了下圖所示的操作：

1、Map端sort

Map端的輸出資料，先寫環形快取區kvbuffer，當環形緩衝區到達一個閥值（可以透過配置檔案設定，預設80），便要開始溢寫，但溢寫之前會有一個sort操作，這個sort操作先把Kvbuffer中的資料按照partition值和key兩個關鍵字來排序，移動的只是索引資料，排序結果是Kvmeta中資料按照partition為單位聚集在一起，同一partition內的按照key有序。

2、spill（溢寫）

當排序完成，便開始把資料刷到磁碟，刷磁碟的過程以分割槽為單位，一個分割槽寫完，寫下一個分割槽，分割槽內資料有序，最終實際上會多次溢寫，然後生成多個檔案

3、merge(合併)

spill會生成多個小檔案，對於Reduce端拉取資料是相當低效的，那麼這時候就有了merge的過程，合併的過程也是同分片的合併成一個片段（segment），最終所有的segment組裝成一個最終檔案，那麼合併過程就完成了,如下圖所示

至此，Map的操作就已經完成，Reduce端操作即將登場

Reduce操作

總體過程如下圖的紅框處：

![image]()

1、拉取複製（fetch copy）

Reduce任務透過向各個Map任務拉取對應分片。這個過程都是以Http協議完成，每個Map節點都會啟動一個常駐的HTTP server服務，Reduce節點會請求這個Http Server拉取資料，這個過程完全透過網路傳輸，所以是一個非常重量級的操作。

2、合併排序

Reduce端，拉取到各個Map節點對應分片的資料之後，會進行再次排序，排序完成，結果丟給Reduce函式進行計算。

四、總結

至此整個shuffle過程完成，最後總結幾點：

1、shuffle過程就是為了對key進行全域性聚合2、排序操作伴隨著整個shuffle過程，所以Hadoop的shuffle是sort-based的

Spark shuffle相對來說更簡單，因為不要求全域性有序，所以沒有那麼多排序合併的操作。Spark shuffle分為write和read兩個過程。我們先來看shuffle write。

一、shuffle write

shuffle write的處理邏輯會放到該ShuffleMapStage的最後（因為spark以shuffle發生與否來劃分stage，也就是寬依賴），final RDD的每一條記錄都會寫到對應的分割槽快取區bucket，如下圖所示：

說明：

1、上圖有2個CPU，可以同時執行兩個ShuffleMapTask

2、每個task將寫一個buket緩衝區，緩衝區的數量和reduce任務的數量相等

3、 每個buket緩衝區會生成一個對應ShuffleBlockFile

4、ShuffleMapTask 如何決定資料被寫到哪個緩衝區呢？這個就是跟partition演算法有關係，這個分割槽演算法可以是hash的，也可以是range的

5、最終產生的ShuffleBlockFile會有多少呢？就是ShuffleMapTask 數量乘以reduce的數量，這個是非常巨大的

那麼有沒有辦法解決生成檔案過多的問題呢？有，開啟FileConsolidation即可，開啟FileConsolidation之後的shuffle過程如下：

在同一核CPU執行先後執行的ShuffleMapTask可以共用一個bucket緩衝區，然後寫到同一份ShuffleFile裡去，上圖所示的ShuffleFile實際上是用多個ShuffleBlock構成，那麼，那麼每個worker最終生成的檔案數量，變成了cpu核數乘以reduce任務的數量，大大縮減了檔案量。

二、Shuffle read

Shuffle write過程將資料分片寫到對應的分片檔案，這時候萬事具備，只差去拉取對應的資料過來計算了。

那麼Shuffle Read傳送的時機是什麼？是要等所有ShuffleMapTask執行完，再去fetch資料嗎？理論上，只要有一個 ShuffleMapTask執行完，就可以開始fetch資料了，實際上，spark必須等到父stage執行完，才能執行子stage，所以，必須等到所有 ShuffleMapTask執行完畢，才去fetch資料。fetch過來的資料，先存入一個Buffer緩衝區，所以這裡一次性fetch的FileSegment不能太大，當然如果fetch過來的資料大於每一個閥值，也是會spill到磁碟的。

fetch的過程過來一個buffer的資料，就可以開始聚合了，這裡就遇到一個問題，每次fetch部分資料，怎麼能實現全域性聚合呢？以word count的reduceByKey（《Spark RDD操作之ReduceByKey 》）為例，假設單詞hello有十個，但是一次fetch只拉取了2個，那麼怎麼全域性聚合呢？Spark的做法是用HashMap，聚合操作實際上是map.put(key,map.get(key)+1)，將map中的聚合過的資料get出來相加，然後put回去，等到所有資料fetch完，也就完成了全域性聚合。

三、總結

Hadoop的MapReduce Shuffle和Spark Shuffle差別總結如下：

1、Hadoop的有一個Map完成，Reduce便可以去fetch資料了，不必等到所有Map任務完成，而Spark的必須等到父stage完成，也就是父stage的map操作全部完成才能去fetch資料。

2、Hadoop的Shuffle是sort-base的，那麼不管是Map的輸出，還是Reduce的輸出，都是partion內有序的，而spark不要求這一點。

3、Hadoop的Reduce要等到fetch完全部資料，才將資料傳入reduce函式進行聚合，而spark是一邊fetch一邊聚合。