hash shuffle發(fā)展階段有哪些

這篇文章主要介紹“hash shuffle發(fā)展階段有哪些”，在日常操作中，相信很多人在hash shuffle發(fā)展階段有哪些問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”hash shuffle發(fā)展階段有哪些”的疑惑有所幫助！接下來，請跟著小編一起來學(xué)習(xí)吧！

spark實現(xiàn)了多種shuffle方法，通過 spark.shuffle.manager來確定。暫時總共有三種：hash shuffle、sort shuffle和tungsten-sort shuffle，從1.2.0開始默認為sort shuffle。

spark在1.2前默認為hash shuffle（spark.shuffle.manager = hash），但hash shuffle也經(jīng)歷了兩個發(fā)展階段。

 ##第一階段

上圖有 4 個 ShuffleMapTask 要在同一個 worker node 上運行，CPU core 數(shù)為 2，可以同時運行兩個 task。每個 task 的執(zhí)行結(jié)果（該 stage 的 finalRDD 中某個 partition 包含的 records）被逐一寫到本地磁盤上。每個 task 包含 R 個緩沖區(qū)，R = reducer 個數(shù)（也就是下一個 stage 中 task 的個數(shù)），緩沖區(qū)被稱為 bucket，其大小為spark.shuffle.file.buffer.kb ，默認是 32KB（Spark 1.1 版本以前是 100KB）。

##第二階段 這樣的實現(xiàn)很簡單，但有幾個問題：

1 產(chǎn)生的 FileSegment 過多。每個 ShuffleMapTask 產(chǎn)生 R（reducer 個數(shù)）個 FileSegment，M 個 ShuffleMapTask 就會產(chǎn)生 M * R 個文件。一般 Spark job 的 M 和 R 都很大，因此磁盤上會存在大量的數(shù)據(jù)文件。

2 緩沖區(qū)占用內(nèi)存空間大。每個 ShuffleMapTask 需要開 R 個 bucket，M 個 ShuffleMapTask 就會產(chǎn)生 M * R 個 bucket。雖然一個 ShuffleMapTask 結(jié)束后，對應(yīng)的緩沖區(qū)可以被回收，但一個 worker node 上同時存在的 bucket 個數(shù)可以達到 cores R 個（一般 worker 同時可以運行 cores 個 ShuffleMapTask），占用的內(nèi)存空間也就達到了cores * R * 32 KB。對于 8 核 1000 個 reducer 來說，占用內(nèi)存就是 256MB。

spark.shuffle.consolidateFiles默認為false，如果為true，shuffleMapTask輸出文件可以被合并。如圖

可以明顯看出，在一個 core 上連續(xù)執(zhí)行的 ShuffleMapTasks 可以共用一個輸出文件 ShuffleFile。先執(zhí)行完的 ShuffleMapTask 形成 ShuffleBlock i，后執(zhí)行的 ShuffleMapTask 可以將輸出數(shù)據(jù)直接追加到 ShuffleBlock i 后面，形成 ShuffleBlock i'，每個 ShuffleBlock 被稱為 FileSegment。下一個 stage 的 reducer 只需要 fetch 整個 ShuffleFile 就行了。這樣，每個 worker 持有的文件數(shù)降為 cores * R。但是緩存空間占用大還沒有解決。

到此，關(guān)于“hash shuffle發(fā)展階段有哪些”的學(xué)習(xí)就結(jié)束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識，請繼續(xù)關(guān)注億速云網(wǎng)站，小編會繼續(xù)努力為大家?guī)砀鄬嵱玫奈恼拢?/p>