剖析Hadoop和Spark的Shuffle過程差異

一、前言

對於基於MapReduce編程範式的分散式計算來說，本質上而言，就是在計算數據的交、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數據，也就是只處理一個分片，那麼要想求得某個key對應的全量數據，那就必須把相同key的數據彙集到同一個Reduce任務節點來處理，那麼Mapreduce範式定義了一個叫做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描述的是數據從Map端到Reduce端的過程，大致分為排序(sort)、溢寫(spill)、合併(merge)、拉取拷貝(Copy)、合併排序(merge sort)這幾個過程，大體流程如下：


上圖的Map的輸出的文件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數據來進行處理，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端的輸出數據，先寫環形緩存區kvbuffer，當環形緩衝區到達一個閥值(可以通過配置文件設置，默認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中的數據按照partition值和key兩個關鍵字來排序，移動的只是索引數據，排序結果是Kvmeta中數據按照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，便開始把數據刷到磁碟，刷磁碟的過程以分區為單位，一個分區寫完，寫下一個分區，分區內數據有序，最終實際上會多次溢寫，然後生成多個文件

3、merge(合併)

spill會生成多個小文件，對於Reduce端拉取數據是相當低效的，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組裝成一個最終文件，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：


1、拉取拷貝(fetch copy)

Reduce任務通過向各個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拉取數據，這個過程完全通過網路傳輸，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節點對應分片的數據之後，會進行再次排序，排序完成，結果丟給Reduce函數進行計算。

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進行全局聚合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，因為不要求全局有序，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區緩存區bucket，如下圖所示：

說明：

1、上圖有2個CPU，可以同時運行兩個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 如何決定數據被寫到哪個緩衝區呢?這個就是跟partition演算法有關係，這個分區演算法可以是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文件過多的問題呢?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里去，上圖所示的ShuffleFile實際上是用多個ShuffleBlock構成，那麼，那麼每個worker最終生成的文件數量，變成了cpu核數乘以reduce任務的數量，大大縮減了文件量。

二、Shuffle read

Shuffle write過程將數據分片寫到對應的分片文件，這時候萬事具備，只差去拉取對應的數據過來計算了。

那麼Shuffle Read發送的時機是什麼?是要等所有ShuffleMapTask執行完，再去fetch數據嗎?理論上，只要有一個 ShuffleMapTask執行完，就可以開始fetch數據了，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數據。fetch過來的數據，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過來的數據大於每一個閥值，也是會spill到磁碟的。

fetch的過程過來一個buffer的數據，就可以開始聚合了，這裡就遇到一個問題，每次fetch部分數據，怎麼能實現全局聚合呢?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，那麼怎麼全局聚合呢?Spark的做法是用HashMap，聚合操作實際上是map.put(key,map.get(key) 1)，將map中的聚合過的數據get出來相加，然後put回去，等到所有數據fetch完，也就完成了全局聚合。

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數據了，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數據。

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完全部數據，才將數據傳入reduce函數進行聚合，而spark是一邊fetch一邊聚合。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！