shuffle原理 及优化策略

1、shuffle操作原理：

在Spark中，数据通常不会跨分区分布，以满足特定操作的需要。在计算期间，单
个任务将对单个分区进行操作——因此，要组织单个reduceByKey 的计算任务要执行
的所有数据，Spark需要执行一个all-to-all操作。它必须从所有分区中读取所有
键的所有值，然后将所有分区的值放在一起计算每个键的最终结果——这称为shuffle。
 
Spark中的某些操作会触发称为shuffle的事件。shuffle是Spark用于重新分发数据
的机制，以便跨分区对数据进行不同的分组。这通常涉及跨执行程序和机器复制数据，
使shuffle成为一项复杂而昂贵的操作。在Spark Core中,Shuffle是划分宽窄依赖
依据Stage的依据

宽依赖：一对多 （有shuffle操作）
窄依赖：一对一 或者多对一

2、 Shuffle操作问题解决

2.1 数据倾斜原理

在进行shuffle的时候，必须将各个节点上相同的key拉取到某个节点上的一个task
来进行处理，此时如果某个key对应的数据量特别大的话，就会发生数据倾斜
（在实际生产中去null值是必须的）

2.2 数据倾斜问题发现与解决

通过Spark Web UI来查看当前运行的stage各个task分配的数据量，从而进一步确定
是不是task分配的数据不均匀导致了数据倾斜。
知道数据倾斜发生在哪一个stage之后，接着我们就需要根据stage划分原理，推算出
来发生倾斜的那个stage对应代码中的哪一部分，这部分代码中肯定会有一个shuffle
类算子。
通过countByKey查看各个key的分布。

2.3 数据倾斜解决方案

2.3.1 过滤少数导致倾斜的key
2.3.2 提高shuffle操作的并行度
2.3.3 局部聚合和全局聚合

案例<一>：采样倾斜key并分拆join操作（join的两表都很大，但仅一个RDD的几个key的数据量过大）
方案实现思路：
对包含少数几个数据量过大的key的那个RDD，通过sample算子采样出一份样本来，然后统计一下每个key的数量，计算出来数据量最大的是哪几个key。
然后将这几个key对应的数据从原来的RDD中拆分出来，形成一个单独的RDD，并给每个key都打上n以内的随机数作为前缀，而不会导致倾斜的大部分key形成另外一个RDD。
接着将需要join的另一个RDD，也过滤出来那几个倾斜key对应的数据并形成一个单独的RDD，将每条数据膨胀成n条数据，这n条数据都按顺序附加一个0~n的前缀，不会导致倾斜的大部分key也形成另外一个RDD。
再将附加了随机前缀的独立RDD与另一个膨胀n倍的独立RDD进行join，此时就可以将原先相同的key打散成n份，分散到多个task中去进行join了。
而另外两个普通的RDD就照常join即可。
最后将两次join的结果使用union算子合并起来即可，就是最终的join结果。

案例<二>使用随机前缀和扩容RDD进行join(RDD中有大量的key导致数据倾斜)
方案实现思路：
　　 将含有较多倾斜key的RDD扩大多倍，与相对分布均匀的RDD配一个随机数。　
4 spark shuffle参数调优

spark.shuffle.file.buffer

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%。