大数据开发:剖析Hadoop和Spark的Shuffle过程差异

  • 时间:
  • 浏览:1
  • 来源:5分排列3_5分排列3官网

本文旨在剖析Hadoop和Spark的Shuffle过程,并对比两者Shuffle的差异。

1、Hadoop的3个多Map完成,Reduce便还时需去fetch数据了,未必等到所有Map任务完成,而Spark的时需等到父stage完成,也要是父stage的map操作完整版完成不能去fetch数据。

Reduce端,拉取到各个Map节点对应分片的数据要是,会进行再次排序,排序完成,结果丢给Reduce函数进行计算。

说明:

Spark shuffle相对来说更简单,因为 未必求全局有序,要是这么 过多排序合并的操作。Spark shuffle分为write和read3个过程。你们歌词 歌词 歌词 先来看shuffle write。

Reduce任务通过向各个Map任务拉取对应分片。这一 过程都不 以Http协议完成,每个Map节点后该 启动3个常驻的HTTP server服务,Reduce节点会请求这一 Http Server拉取数据,这一 过程完整版通过网络传输,也不是3个非常重量级的操作。

上图的Map的输出的文件被分片为红绿蓝3个分片,这一 分片的要是根据Key为条件来分片的,分片算法还时需当事人实现,之类Hash、Range等,最终Reduce任务只拉取对应颜色的数据来进行除理,就实现把相同的Key拉取到相同的Reduce节点除理的功能。下面分开来说Shuffle的的各个过程。

3、Hadoop的Reduce要等到fetch完整版部数据,才将数据传入reduce函数进行聚合,而spark是一边fetch一边聚合。

5、最终产生的ShuffleBlockFile会有几个呢?要是ShuffleMapTask 数量乘以reduce的数量,这一 是非常巨大的

Map端的输出数据,先写环形缓存区kvbuffer,当环形缓冲区到达3个阀值(还时需通过配置文件设置,默认30),便要要是刚开始英语 溢写,但溢写要是会3个多sort操作,这一 sort操作先把Kvbuffer中的数据按照partition值和key3个关键字来排序,移动的要是索引数据,排序结果是Kvmeta中数据按照partition为单位聚集在同去,同一partition内的按照key有序。

总体过程如下图的红框处:

至此整个shuffle过程完成,最后总结几点:

在同一核CPU执行先后执行的ShuffleMapTask还时需共用3个bucket缓冲区,要是写到同一份ShuffleFile里去,上图所示的ShuffleFile实际上是用多个ShuffleBlock构成,这么 ,这么 每个worker最终生成的文件数量,变成了cpu核数乘以reduce任务的数量,大大缩减了文件量。

fetch的过程过来3个buffer的数据,就还时需要是刚开始英语 聚合了,这里就遇到3个问题,每次fetch帕累托图数据,为什能实现全局聚合呢?以word count的reduceByKey(《Spark RDD操作之ReduceByKey 》)为例,假设单词hello有3个,要是一次fetch只拉取了3个,这么 为什全局聚合呢?Spark的做法是用HashMap,聚合操作实际上是map.put(key,map.get(key)+1),将map中的聚合过的数据get出来相加,要是put回去,等到所有数据fetch完,也就完成了全局聚合。

三、Hadoop的Shuffle过程

一、前言

二、编写本文的目的

Shuffle描述的是数据从Map端到Reduce端的过程,大数据学习kou群74零零加【41三八yi】大致分为排序(sort)、溢写(spill)、合并(merge)、拉取拷贝(Copy)、合并排序(merge sort)这几个过程,大体流程如下:

Hadoop的MapReduce Shuffle和Spark Shuffle差别总结如下:

shuffle write的除理逻辑会中放该ShuffleMapStage的最后(因为 spark以shuffle居于是不是来划分stage,也要是宽依赖),final RDD的每一根记录后该 写到对应的分区缓存区bucket,如下图所示:

2、Hadoop的Shuffle是sort-base的,这么 不管是Map的输出,还是Reduce的输出,都不 partion内有序的,而spark未必求这一 点。

Map端做了下图所示的操作:

这么 有这么 方法除理生成文件过多的问题呢?有,开启FileConsolidation即可,开启FileConsolidation要是的shuffle过程如下:

四、总结

对于基于MapReduce编程范式的分布式计算来说,本质上而言,要是在计算数据的交、并、差、聚合、排序等过程。而分布式计算分而治之的思想,让每个节点只计算帕累托图数据,也要是只除理3个分片,这么 要想求得某个key对应的全量数据,那就时需把相同key的数据汇集到同3个Reduce任务节点来除理,这么 Mapreduce范式定义了3个叫做Shuffle的过程来实现这一 效果。

这么 Shuffle Read发送的时机是有哪些?是要等所有ShuffleMapTask执行完,再去fetch数据吗?理论上,要是我3个多 ShuffleMapTask执行完,就还时需要是刚开始英语 fetch数据了,实际上,spark时需等到父stage执行完,不能执行子stage,要是,时需等到所有 ShuffleMapTask执行完毕,才去fetch数据。fetch过来的数据,先存入3个Buffer缓冲区,要是这里一次性fetch的FileSegment不能过多,当然因为 fetch过来的数据大于每3个阀值,也是会spill到磁盘的。

Shuffle write过程将数据分片写到对应的分片文件,这要是万事具备,只差去拉取对应的数据过来计算了。

4、ShuffleMapTask 怎样决定数据被写到哪个缓冲区呢?这一 要是跟partition算法有关系,这一 分区算法还时需是hash的,也还时需是range的