大數據開發：剖析Hadoop和Spark的Shuffle過程差異
一、前言
對于基于MapReduce編程范式的分布式計算來說，本質上而言，就是在計算數據的交、并、差、聚合、排序等過程。而分布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，那么要想求得某個key對應的全量數據，那就必須把相同key的數據匯集到同一個Reduce任務節點來處理，那么Mapreduce范式定義了一個叫做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，并對比兩者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)、合并(merge)、拉取拷貝(Copy)、合并排序(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，當環形緩沖區到達一個閥值(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盤，刷磁盤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，然后生成多個文件
- 3、merge(合并)
- spill會生成多個小文件，對于Reduce端拉取數據是相當低效的，那么這時候就有了merge的過程，合并的過程也是同分片的合并成一個片段(segment)，最終所有的segment組裝成一個最終文件，那么合并過程就完成了,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絡傳輸，所以是一個非常重量級的操作。
- 2、合并排序
Reduce端，拉取到各個Map節點對應分片的數據之后，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，***總結幾點：
- shuffle過程就是為了對key進行全局聚合
- 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，所以沒有那么多排序合并的操作。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***(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：
- 上圖有2個CPU，可以同時運行兩個ShuffleMapTask
- 每個task將寫一個buket緩沖區，緩沖區的數量和reduce任務的數量相等
- 每個buket緩沖區會生成一個對應ShuffleBlockFile
- ShuffleMapTask 如何決定數據被寫到哪個緩沖區呢?這個就是跟partition算法有關系，這個分區算法可以是hash的，也可以是range的
- 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
那么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之后的shuffle過程如下：
在同一核CPU執行先后執行的ShuffleMapTask可以共用一個bucket緩沖區，然后寫到同一份ShuffleFile里去，上圖所示的ShuffleFile實際上是用多個ShuffleBlock構成，那么，那么每個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。
那么Shuffle Read發送的時機是什么?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緩沖區，所以這里一次性fetch的FileSegment不能太大，當然如果fetch過來的數據大于每一個閥值，也是會spill到磁盤的。
fetch的過程過來一個buffer的數據，就可以開始聚合了，這里就遇到一個問題，每次fetch部分數據，怎么能實現全局聚合呢?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，那么怎么全局聚合呢?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，然后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：
- 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。
- Hadoop的Shuffle是sort-base的，那么不管是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。
- 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。
