SparkShuffle內(nèi)幕解密（24）-創(chuàng)新互聯(lián)

一、到底什么是Shuffle？

我們提供的服務(wù)有：網(wǎng)站建設(shè)、網(wǎng)站設(shè)計、微信公眾號開發(fā)、網(wǎng)站優(yōu)化、網(wǎng)站認證、郁南ssl等。為1000多家企事業(yè)單位解決了網(wǎng)站和推廣的問題。提供周到的售前咨詢和貼心的售后服務(wù)，是有科學管理、有技術(shù)的郁南網(wǎng)站制作公司

    Shuffle中文翻譯為“洗牌”，需要Shuffle的關(guān)鍵性原因是某種具有共同特征的數(shù)據(jù)需要最終匯聚到一個    計算節(jié)點上進行計算。

  二、Shuffle可能面臨的問題？

1， 數(shù)據(jù)量非常大；

2， 數(shù)據(jù)如何分類，即如何Partition，Hash、Sort、鎢絲計算；

3， 負載均衡（數(shù)據(jù)傾斜）；

4， 網(wǎng)絡(luò)傳輸效率，需要在壓縮和解壓縮之間做出權(quán)衡，序列化和反序列也是要考慮的問題；

說明：具體的Task進行計算的時候盡一切大可能使得數(shù)據(jù)具備Process Locality的特性；退而求次是增加數(shù)據(jù)分片，減少每個Task處理的數(shù)據(jù)量。

三、Hash Shuffle

1， key不能是Array；

2， Hash Shuffle不需要排序，此時從理論上講就節(jié)省了Hadoop MapReduce中進行Shuffle需要排序時候的時間浪費，因為實際生產(chǎn)環(huán)境有大量的不需要排序的Shuffle類型；

思考：不需要排序的Hash Shuffle是否一定比需要排序的Sorted Shuffle速度更快？不一定！如果數(shù)據(jù)規(guī)模比的情形下，Hash Shuffle會比Sorted Shuffle速度快（很多）！但是如果數(shù)據(jù)量大，此時Sorted Shuffle一般都會比Hash Shuffle快（很多）

    3，每個ShuffleMapTask會根據(jù)key的哈希值計算出當前的key需要寫入的Partition，然后把決定后的結(jié)果寫入單 獨的文件，此時會導致每個Task產(chǎn)生R（指下一個Stage的并行度）個文件，如果當前的Stage中有M個ShuffleMapTask，則會M*R個文件?。。?/p>

   注意：Shuffle操作絕大多數(shù)情況下都要通過網(wǎng)絡(luò)，如果Mapper和Reducer在同一臺機器上，此時只需要讀取本地 磁盤即可。

   Hash Shuffle的兩大死穴：第一：Shuffle前會產(chǎn)生海量的小文件于磁盤之上，此時會產(chǎn)生大量耗時低效的IO操 作；第二：內(nèi)存不共用！?。∮捎趦?nèi)存中需要保存海量的文件操作句柄和臨時緩存信息，如果數(shù)據(jù)處理規(guī)模比較龐大的話，內(nèi)存不可承受，出現(xiàn)OOM等問題！

  四、Sorted Shuffle:

 為了改善上述的問題（同時打開過多文件導致Writer Handler內(nèi)存使用過大以及產(chǎn)生過度文件導致大量的隨機讀寫 帶來的效率極為低下的磁盤IO操作），Spark后來推出了Consalidate機制，來把小文件合并，此時Shuffle時文件產(chǎn)生的數(shù)量為cores*R，對于ShuffleMapTask的數(shù)量明顯多于同時可用的并行Cores的數(shù)量的情況下，Shuffle產(chǎn)生的文件會大幅度減少，會極大降低OOM的可能；

   為此Spark推出了Shuffle Pluggable開放框架，方便系統(tǒng)升級的時候定制Shuffle功能模塊，也方便第三方系統(tǒng)改造人 員根據(jù)實際的業(yè)務(wù)場景來開放具體最佳的Shuffle模塊；核心接口ShuffleManager，具體默認實現(xiàn)        有HashShuffleManager、SortShuffleManager等，Spark 1.6.1中具體的配置如下：

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機、免備案服務(wù)器”等云主機租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。

分享名稱：SparkShuffle內(nèi)幕解密（24）-創(chuàng)新互聯(lián)
文章位置：http://bm7419.com/article36/dicdsg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供自適應(yīng)網(wǎng)站、建站公司、品牌網(wǎng)站建設(shè)、營銷型網(wǎng)站建設(shè)、企業(yè)網(wǎng)站制作、電子商務(wù)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)