“戏”说spark---spark Shuffle详解（二）
在“戏”说spark---spark Shuffle详解（一）一文中，我们详细的介绍了Spark中两种ShuffleManager，HashShuffleManager和SortShuffleManager，那么在Shuffle中，Reduce节点是怎么知道map端溢写文件的位置的呢？Reduce端是怎么拉取数据的呢？
我们先再来回顾下wordCount的细节：
stage的划分：Stage之间形成Shuffle，Stage中的taskSet的pipline的计算模式
WordCount的资源调度和任务调度：
那么遇到Shuffle，spark是怎么进行文件定位和数据拉取的呢？这里我们要介绍mapOutputTracker和BlockManager两个组件，他们负责追踪磁盘小文件的地址和管理块文件
Spark Shuffle组件
图解：
spark是怎么进行文件定位？
mapOutputTracker组件：管理磁盘小文件的地址
主从架构：
主：MapOutputTrackerMaster---存在Driver进程中
从：MapOutputTrackerWorker---存在Executor进程中
map task执行完毕后，会将map task的执行的情况和小文件的地址封装到一个mapStatus对象中，调用MapoutputTrackerWorker向Driver中的MapOutputTrackerMaster发送消息，这样MapOutputTrackerMaster就掌握了磁盘小文件的位置信息redcue在执行之前会和MapOutputTrackerMaster发送信息获取磁盘小文件的位置，这样reduce就能到数据所在的节点拉取数据，拉取数据要用到BlockManager中的BlockTransforService，BlockTransforService，启动5个线程来拉取数据（拉取的数据不超过48M，如果失败重试3次），将其存放在聚合内存中。
注意：
reduce OOM错误排解：
1：拉取的数据过多，导致聚合的过程中的内存无法满足
解决方案：减少每次拉取的数据量
提高Shuffle聚合的内存比例
提高Executor的总内存
spark怎么拉取数据？
BlockManager组件：块管理者
主从架构：
主：BlockManagerMaster：存在Driver中
1：DiskStore：负责磁盘的管理
2：MemStore：负责内存的管理
3：ConnectionManager：负责连接其他的BlockManagerSlave
4：BlockTransforService ：负责数据的传输
BlockManagerMaster还管理着RDD的缓存数据，持久化和清除持久化
从：BlockManagerSlave：存在Executor中
1：DiskStore：负责磁盘的管理
2：MemStore：负责内存的管理
3：ConnectionManager：负责连接其他的BlockManagerSlave
4：BlockTransforService ：负责数据的传输
Spark shuffle参数配置及调优
以下是Shffule过程中的一些主要参数，这里详细讲解了各个参数的功能、默认值以及基于实践经验给出的调优建议。
spark.shuffle.file.buffer
1、默认值：32k
参数说明：该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小。将数据写到磁盘文件之前，会先写入buffer缓冲中，待缓冲写满之后，才会溢写到磁盘。
调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如64k），从而减少shuffle write过程中溢写磁盘文件的次数，也就可以减少磁盘IO次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。
spark.reducer.maxSizeInFlight
默认值：48m
参数说明：该参数用于设置shuffle read task的buffer缓冲大小，而这个buffer缓冲决定了每次能够拉取多少数据。
调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如96m），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。
spark.shuffle.io.maxRetries
默认值：3
参数说明：shuffle read task从shuffle write task所在节点拉取属于自己的数据时，如果因为网络异常导致拉取失败，是会自动进行重试的。该参数就代表了可以重试的最大次数。如果在指定次数之内拉取还是没有成功，就可能会导致作业执行失败。
调优建议：对于那些包含了特别耗时的shuffle操作的作业，建议增加重试最大次数（比如60次），以避免由于JVM的full gc或者网络不稳定等因素导致的数据拉取失败。在实践中发现，对于针对超大数据量（数十亿~上百亿）的shuffle过程，调节该参数可以大幅度提升稳定性。
spark.shuffle.io.retryWait
默认值：5s
参数说明：具体解释同上，该参数代表了每次重试拉取数据的等待间隔，默认是5s。
调优建议：建议加大间隔时长（比如60s），以增加shuffle操作的稳定性。
spark.shuffle.memoryFraction
默认值：0.2
参数说明：该参数代表了Executor内存中，分配给shuffle read task进行聚合操作的内存比例，默认是20%。
调优建议：在资源参数调优中讲解过这个参数。如果内存充足，而且很少使用持久化操作，建议调高这个比例，给shuffle read的聚合操作更多内存，以避免由于内存不足导致聚合过程中频繁读写磁盘。在实践中发现，合理调节该参数可以将性能提升10%左右。
spark.shuffle.manager
默认值：sort
参数说明：该参数用于设置ShuffleManager的类型。Spark 1.5以后，有三个可选项：hash、sort和tungsten-sort。HashShuffleManager是Spark 1.2以前的默认选项，但是Spark 1.2以及之后的版本默认都是SortShuffleManager了。tungsten-sort与sort类似，但是使用了tungsten计划中的堆外内存管理机制，内存使用效率更高。
调优建议：由于SortShuffleManager默认会对数据进行排序，因此如果你的业务逻辑中需要该排序机制的话，则使用默认的SortShuffleManager就可以；而如果你的业务逻辑不需要对数据进行排序，那么建议参考后面的几个参数调优，通过bypass机制或优化的HashShuffleManager来避免排序操作，同时提供较好的磁盘读写性能。这里要注意的是，tungsten-sort要慎用，因为之前发现了一些相应的bug。
spark.shuffle.sort.bypassMergeThreshold
默认值：200
参数说明：当ShuffleManager为SortShuffleManager时，如果shuffle read task的数量小于这个阈值（默认是200），则shuffle write过程中不会进行排序操作，而是直接按照未经优化的HashShuffleManager的方式去写数据，但是最后会将每个task产生的所有临时磁盘文件都合并成一个文件，并会创建单独的索引文件。
调优建议：当你使用SortShuffleManager时，如果的确不需要排序操作，那么建议将这个参数调大一些，大于shuffle read task的数量。那么此时就会自动启用bypass机制，map-side就不会进行排序了，减少了排序的性能开销。但是这种方式下，依然会产生大量的磁盘文件，因此shuffle write性能有待提高。
spark.shuffle.consolidateFiles
默认值：false
参数说明：如果使用HashShuffleManager，该参数有效。如果设置为true，那么就会开启consolidate机制，会大幅度合并shuffle write的输出文件，对于shuffle read task数量特别多的情况下，这种方法可以极大地减少磁盘IO开销，提升性能。
调优建议：如果的确不需要SortShuffleManager的排序机制，那么除了使用bypass机制，还可以尝试将spark.shffle.manager参数手动指定为hash，使用HashShuffleManager，同时开启consolidate机制。在实践中尝试过，发现其性能比开启了bypass机制的SortShuffleManager要高出10%~30%。
总结：
Shuffle 过程本质上都是将 Map 端获得的数据使用分区器进行划分，并由Reduce端拉取处理的过程。那么在Reduce端如何定位溢写文件的位置，以及如何拉取数据文件的呢？Spark提供了2个组件完成。mapOutputTracker管理磁盘文件的位置，BlockManager管理数据块的关于磁盘存储（DiskStore），内存存储（MemStore），数据块之间的通信（ConnectionManager）及数据的传输（BlockTransforService）。在spark的Shuffle的过程中会出现很多的配置，如何配置好这样影响Shuffle性能的关键的配置，文中给出了一些意见和建议。记住这些性能调优的原则以及方案，在Spark作业开发、测试以及运行的过程中多尝试，只有这样，我们才能开发出更优的Spark作业，不断提升其性能。
思维导图构建你的知识架构：