Spark Shuffle的技术演进



在Spark或Hadoop MapReduce的分布式计算框架中,数据被按照key分成一块一块的分区,打散分布在集群中各个节点的物理存储或内存空间中,每个计算任务一次处理一个分区,但map端和reduce端的计算任务并非按照一种方式对相同的分区进行计算,例如,当需要对数据进行排序时,就需要将key相同的数据分布到同一个分区中,原分区的数据需要被打乱重组,这个按照一定的规则对数据重新分区的过程就是Shuffle(洗牌)

Spark Shuffle的两阶段

对于Spark来讲,一些Transformation或Action算子会让RDD产生宽依赖,即parent RDD中的每个Partition被child RDD中的多个Partition使用,这时便需要进行Shuffle,根据Record的key对parent RDD进行重新分区。如果对这些概念还有一些疑问,可以参考我的另一篇文章《Spark基本概念快速入门》

以Shuffle为边界,Spark将一个Job划分为不同的Stage,这些Stage构成了一个大粒度的DAG。Spark的Shuffle分为Write和Read两个阶段,分属于两个不同的Stage,前者是Parent Stage的最后一步,后者是Child Stage的第一步。如下图所示:

执行Shuffle的主体是Stage中的并发任务,这些任务分ShuffleMapTask和ResultTask两种,ShuffleMapTask要进行Shuffle,ResultTask负责返回计算结果,一个Job中只有最后的Stage采用ResultTask,其他的均为ShuffleMapTask。如果要按照map端和reduce端来分析的话,ShuffleMapTask可以即是map端任务,又是reduce端任务,因为Spark中的Shuffle是可以串行的;ResultTask则只能充当reduce端任务的角色。

我把Spark Shuffle的流程简单抽象为以下几步以便于理解:

  • Shuffle Write
    1. Map side combine (if needed)
    2. Write to local output file
  • Shuffle Read
    1. Block fetch
    2. Reduce side combine
    3. Sort (if needed)

Write阶段发生于ShuffleMapTask对该Stage的最后一个RDD完成了map端的计算之后,首先会判断是否需要对计算结果进行聚合,然后将最终结果按照不同的reduce端进行区分,写入当前节点的本地磁盘。
Read阶段开始于reduce端的任务读取ShuffledRDD之时,首先通过远程或本地数据拉取获得Write阶段各个节点中属于当前任务的数据,根据数据的Key进行聚合,然后判断是否需要排序,最后生成新的RDD。

Spark Shuffle具体实现的演进

在具体的实现上,Shuffle经历了Hash、Sort、Tungsten-Sort三阶段:

  • Spark 0.8及以前 Hash Based Shuffle
    在Shuffle Write过程按照Hash的方式重组Partition的数据,不进行排序。每个map端的任务为每个reduce端的Task生成一个文件,通常会产生大量的文件(即对应为M*R个中间文件,其中M表示map端的Task个数,R表示reduce端的Task个数),伴随大量的随机磁盘IO操作与大量的内存开销。
    Shuffle Read过程如果有combiner操作,那么它会把拉到的数据保存在一个Spark封装的哈希表(AppendOnlyMap)中进行合并。
    在代码结构上:

    • org.apache.spark.storage.ShuffleBlockManager负责Shuffle Write
    • org.apache.spark.BlockStoreShuffleFetcher负责Shuffle Read
    • org.apache.spark.Aggregator负责combine,依赖于AppendOnlyMap
  • Spark 0.8.1 为Hash Based Shuffle引入File Consolidation机制
    通过文件合并,中间文件的生成方式修改为每个执行单位(一个Executor中的执行单位等于Core的个数除以每个Task所需的Core数)为每个reduce端的任务生成一个文件。最终可以将文件个数从M*R修改为E*C/T*R,其中,E表示Executor的个数,C表示每个Executor中可用Core的个数,T表示Task所分配的Core的个数。
    是否采用Consolidate机制,需要配置spark.shuffle.consolidateFiles参数

  • Spark 0.9 引入ExternalAppendOnlyMap
    在combine的时候,可以将数据spill到磁盘,然后通过堆排序merge(可以参考这篇文章,了解其具体实现)

  • Spark 1.1 引入Sort Based Shuffle,但默认仍为Hash Based Shuffle
    在Sort Based Shuffle的Shuffle Write阶段,map端的任务会按照Partition id以及key对记录进行排序。同时将全部结果写到一个数据文件中,同时生成一个索引文件,reduce端的Task可以通过该索引文件获取相关的数据。
    在代码结构上:

    • 从以前的ShuffleBlockManager中分离出ShuffleManager来专门管理Shuffle Writer和Shuffle Reader。两种Shuffle方式分别对应
      org.apache.spark.shuffle.hash.HashShuffleManager和
      org.apache.spark.shuffle.sort.SortShuffleManager,
      可通过spark.shuffle.manager参数配置。两种Shuffle方式有各自的ShuffleWriter:org.apache.spark.shuffle.hash.HashShuffle和org.apache.spark.shuffle.sort.SortShuffleWriter;但共用一个ShuffleReader,即org.apache.spark.shuffle.hash.HashShuffleReader。
    • org.apache.spark.util.collection.ExternalSorter实现排序功能。可通过对spark.shuffle.spill参数配置,决定是否可以在排序时将临时数据Spill到磁盘。
  • Spark 1.2 默认的Shuffle方式改为Sort Based Shuffle

  • Spark 1.4 引入Tungsten-Sort Based Shuffle
    将数据记录用序列化的二进制方式存储,把排序转化成指针数组的排序,引入堆外内存空间和新的内存管理模型,这些技术决定了使用Tungsten-Sort要符合一些严格的限制,比如Shuffle dependency不能带有aggregation、输出不能排序等。由于堆外内存的管理基于JDK Sun Unsafe API,故Tungsten-Sort Based Shuffle也被称为Unsafe Shuffle。
    在代码层面:

    • 新增org.apache.spark.shuffle.unsafe.UnsafeShuffleManager
    • 新增org.apache.spark.shuffle.unsafe.UnsafeShuffleWriter(用java实现)
    • ShuffleReader复用HashShuffleReader
  • Spark 1.6 Tungsten-sort并入Sort Based Shuffle
    由SortShuffleManager自动判断选择最佳Shuffle方式,如果检测到满足Tungsten-sort条件会自动采用Tungsten-sort Based Shuffle,否则采用Sort Based Shuffle。
    在代码方面:

    • UnsafeShuffleManager合并到SortShuffleManager
    • HashShuffleReader 重命名为BlockStoreShuffleReader,Sort Based Shuffle和Hash Based Shuffle仍共用ShuffleReader。
  • Spark 2.0 Hash Based Shuffle退出历史舞台
    从此Spark只有Sort Based Shuffle。

Spark Shuffle源码结构

这里以最新的Spark 2.1为例简单介绍一下Spark Shuffle相关部分的代码结构

  • Shuffle Write

    • ShuffleWriter的入口链路

      org.apache.spark.scheduler.ShuffleMapTask#runTask
      ---> org.apache.spark.shuffle.sort.SortShuffleManager#getWriter
      ---> org.apache.spark.shuffle.sort.SortShuffleWriter#write(如果是普通sort)
      ---> org.apache.spark.shuffle.sort.UnsafeShuffleWriter#write (如果是Tungsten-sort)
    • SortShuffleWriter的主要依赖

      org.apache.spark.util.collection.ExternalSorter 负责按照(partition id, key)排序,如果需要Map side combine,需要提供aggregator
      ---> org.apache.spark.util.collection.PartitionedAppendOnlyMap
    • UnsafeShuffleWriter的主要依赖

      org.apache.spark.shuffle.sort.ShuffleExternalSorter (Java实现)
  • Shuffle Read

    • ShuffleReader的入口链路

      org.apache.spark.rdd.ShuffledRDD#compute
      ---> org.apache.spark.shuffle.sort.SortShuffleManager#getReader
      ---> org.apache.spark.shuffle.BlockStoreShuffleReader#read
    • ShuffleReader主要依赖

      org.apache.spark.Aggregator 负责combine
      ---> org.apache.spark.util.collection.ExternalAppendOnlyMap
      org.apache.spark.util.collection.ExternalSorter 取决于是否需要对最终结果进行排序

参考资料及推荐阅读

  1. Spark 1.0之前Hash Based Shuffle的原理
  2. Spark 1.1时Sort Based Shuffle的资料
  3. Spark 1.2之前两种Shuffle方式的分析和对比
  4. Spark 1.6之前三种Shuffle方式的分析和对比
  5. Spark 1.6之前Sort Based Shuffle的源码和原理
  6. Spark 1.6之前Tungsten-sort Based Shuffle的原理