二零二三年 优质公开课Shuffle调优介绍.pptx

Shuffle调优介绍 1.了解发展概述.2.理解HashShuffleManager运行原理.3.理解SortShuffleManager运行原理及运行机制. 01发展概述02HashShuffleManager运行原理03SortShuffleManager运行原理及运行机制 发展概述01 发展概述 在Spark的源码中，负责shuffle过程的执行、计算和处理的组件主要就是ShuffleManager。在Spark 1.2以前，默认的shuffle计算引擎是HashShuffleManager，它有着一个非常严重的弊端，就是会产生大量的中间磁盘文件，进而由大量的磁盘IO操作影响了性能。在Spark 1.2以后的版本中，默认的ShuffleManager改成了SortShuffleManager。SortShuffleManager相较于HashShuffleManager来说，每个Task在进行shuffle操作时，每个Task就只有一个磁盘文件。在下一个stage的shuffle read task拉取自己的数据时，只要根据索引读取每个磁盘文件中的部分数据即可。 HashShuffleManager运行原理02 HashShuffleManager运行原理下图说明了优化的HashShuffleManager的原理 SortShuffleManager 运行原理及运行机制03 SortShuffleManager运行原理及运行机制SortShuffleManager运行原理 SortShuffleManager运行原理及运行机制 SortShuffleManager的运行机制主要分成两种，一种是普通运行机制，另一种是bypass运行机制。当shuffle read task的数量小于等于spark.shuffle.sort.bypassMergeThreshold参数的值时（默认为200），就会启用bypass机制。 SortShuffleManager运行原理及运行机制普通运行机制 在该模式下，数据会先写入一个内存数据结构中，此时根据不同的shuffle算子，可能选用不同的数据结构。如果是reduceByKey这种聚合类的shuffle算子，那么会选用Map数据结构，一边通过Map进行聚合，一边写入内存；如果是join这种普通的shuffle算子，那么会选用Array数据结构，直接写入内存。接着，每写一条数据进入内存数据结构之后，就会判断一下，是否达到了某个临界阈值。如果达到临界阈值的话，那么就会尝试将内存数据结构中的数据溢写到磁盘，然后清空内存数据结构。 SortShuffleManager运行原理及运行机制bypass运行机制 shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold参数的值。不是聚合类的shuffle算子（比如reduceByKey）。此时task会为每个下游task都创建一个临时磁盘文件，并将数据按key进行hash然后根据key的hash值，将key写入对应的磁盘文件之中。当然，写入磁盘文件时也是先写入内存缓冲，缓冲写满之后再溢写到磁盘文件的。最后，同样会将所有临时磁盘文件都合并成一个磁盘文件，并创建一个单独的索引文件。 1.了解发展概述2.理解HashShuffleManager运行原理3.理解SortShuffleManager运行原理及运行机制