剖析Hadoop和Spark的Shuffle过程差别（一）

1、前言

    对于基于MapReduce编程范式的分布式计算来讲，本质上而言，就是在计算数据的交、并、差、聚合、排序等过程。而分布式计算分而治之的思想，让每一个节点只计算部分数据，也就是只处理一个分片，那么要想求得某个key对应的全量数据，那就必须把相同key的数据聚集到同一个Reduce任务节点来处理，那么Mapreduce范式定义了一个叫作Shuffle的过程来实现这个效果。

2、编写本文的目的

    本文旨在剖析Hadoop和Spark的Shuffle过程，并对比二者Shuffle的差别。

3、Hadoop的Shuffle过程

    Shuffle描述的是数据从Map端到Reduce端的过程，大体分为排序（sort）、溢写（spill）、合并（merge）、拉取拷贝（Copy）、合并排序（merge sort）这几个过程，大致流程以下：

    

    上图的Map的输出的文件被分片为红绿蓝三个分片，这个分片的就是根据Key为条件来分片的，分片算法能够本身实现，例如Hash、Range等，最终Reduce任务只拉取对应颜色的数据来进行处理，就实现把相同的Key拉取到相同的Reduce节点处理的功能。下面分开来讲Shuffle的的各个过程。

    Map端作了下图所示的操做：

    一、Map端sort

    Map端的输出数据，先写环形缓存区kvbuffer，当环形缓冲区到达一个阀值（能够经过配置文件设置，默认80），便要开始溢写，但溢写以前会有一个sort操做，这个sort操做先把Kvbuffer中的数据按照partition值和key两个关键字来排序，移动的只是索引数据，排序结果是Kvmeta中数据按照partition为单位汇集在一块儿，同一partition内的按照key有序。

    二、spill（溢写）

    当排序完成，便开始把数据刷到磁盘，刷磁盘的过程以分区为单位，一个分区写完，写下一个分区，分区内数据有序，最终实际上会屡次溢写，而后生成多个文件

    三、merge(合并)

    spill会生成多个小文件，对于Reduce端拉取数据是至关低效的，那么这时候就有了merge的过程，合并的过程也是同分片的合并成一个片断（segment），最终全部的segment组装成一个最终文件，那么合并过程就完成了,以下图所示

 

    至此，Map的操做就已经完成，Reduce端操做即将登场

    Reduce操做

    整体过程以下图的红框处：

    

    一、拉取拷贝（fetch copy）

       Reduce任务经过向各个Map任务拉取对应分片。这个过程都是以Http协议完成，每一个Map节点都会启动一个常驻的HTTP server服务，Reduce节点会请求这个Http Server拉取数据，这个过程彻底经过网络传输，因此是一个很是重量级的操做。

    二、合并排序

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

4、总结    

    至此整个shuffle过程完成，最后总结几点：

    一、shuffle过程就是为了对key进行全局聚合

    二、排序操做伴随着整个shuffle过程，因此Hadoop的shuffle是sort-based的