首页 > 网络 > 云计算 >

Spark源码知识讲解之Sort-BasedShuffle读写流程

2017-11-11

Spark源码知识讲解之Sort-BasedShuffle读写流程。一 概述。我们知道Spark Shuffle机制总共有三种: 未优化的Hash Shuffle:每一个ShuffleMapTask都会为每一个ReducerTask创建一个单独的文件,总的文件数是S * R,不仅文件数量很多,造成频繁的磁盘和网络I O,而且内存负担也

一 概述

我们知道Spark Shuffle机制总共有三种:

# 未优化的Hash Shuffle:每一个ShuffleMapTask都会为每一个ReducerTask创建一个单独的文件,总的文件数是S * R,不仅文件数量很多,造成频繁的磁盘和网络I/O,而且内存负担也很大,GC频繁,经常出现OOM。

# 优化后Hash Shuffle:改进后的Shuffle,启用consolidation机制,Executor每一个core上的ShuffleMapTask共享文件,减少文件数目,比如Executor有2个core,总共有20个ShuffleMapTask,ReducerTask任务为4个,那么这里总共只有2 * 4 = 8个文件,和未优化之前相比较20 * 4 = 80个文件比较,改进较大。但是如果数据很大的情况下,优化后的Hash Shuffle依然会存在各种问题。比如数据量很大的时候groupByKey操作,必须保证每一个partition的数据内存可以存放。

# Sort-Based Shuffle: 为了缓解Shuffle过程产生文件数过多和Writer缓存开销过大的问题,spark引入了类似于hadoop Map-Reduce的shuffle机制。该机制每一个ShuffleMapTask不会为后续的任务创建单独的文件,而是会将所有的Task结果写入同一个文件,并且对应生成一个索引文件。以前的数据是放在内存缓存中,等到数据完了再刷到磁盘,现在为了减少内存的使用,在内存不够用的时候,可以将输出溢写到磁盘,结束的时候,再将这些不同的文件联合内存的数据一起进行归并,从而减少内存的使用量。一方面文件数量显著减少,另一方面减少Writer缓存所占用的内存大小,而且同时避免GC的风险和频率。

二Sort-BasedShuffle写机制

2.1 ShuffleMapTask获取ShuffleManager

Spark1.6之后,取消hash机制的shuffle, 只剩下基于sort的shuffle机制。我们可以在配置文件指定spark.shuffle.manager,如果没有指定默认就是sort,但是tungsten-sort也是基于SortShuffleManager的

valshortShuffleMgrNames = Map(
"sort"-> classOf[org.apache.spark.shuffle.sort.SortShuffleManager].getName,
"tungsten-sort"->classOf[org.apache.spark.shuffle.sort.SortShuffleManager].getName)
val shuffleMgrName= conf.get("spark.shuffle.manager","sort")
val shuffleMgrClass= shortShuffleMgrNames.getOrElse(shuffleMgrName.toLowerCase,shuffleMgrName)
val shuffleManager= instantiateClass[ShuffleManager](shuffleMgrClass)

2.2 根据ShuffleManager获取writer

ShuffleManager会根据注册的handle来决定实例化哪一个writer.如果注册的是SerializedShuffleHandle,就获取UnsafeShuffleWriter;如果注册的是BypassMergeSortShuffleHandle,就获取BypassMergeSortShuffleWriter;如果注册的是BaseShuffleHandle,就获取SortShuffleWriter

首先:我们看一下ShuffleManager如何注册ShuffleHandle的?

override def registerShuffle[K, V, C](shuffleId: Int, numMaps: Int,
 dependency: ShuffleDependency[K, V, C]): ShuffleHandle = {
 // 如果满足使用BypassMergeSort,就优先使用BypassMergeSortShuffleHandle
 if (SortShuffleWriter.shouldBypassMergeSort(SparkEnv.get.conf, dependency)) {
 new BypassMergeSortShuffleHandle[K, V](
 shuffleId, numMaps, dependency.asInstanceOf[ShuffleDependency[K, V, V]])
 } else if (SortShuffleManager.canUseSerializedShuffle(dependency)) {
 // 如果支持序列化模式,则使用SerializedShuffleHandle
 new SerializedShuffleHandle[K, V](
 shuffleId, numMaps, dependency.asInstanceOf[ShuffleDependency[K, V, V]])
 } else {
 // 否则使用BaseShuffleHandle
 new BaseShuffleHandle(shuffleId, numMaps, dependency)
 }
}

然后:看一下shouldBypassMergeSort这个方法,判断是否应该使用BypassMergeSort

使用这个模式需要满足的条件:

# 不能指定aggregator,即不能聚合

# 不能指定ordering,即分区内数据不能排序

# 分区的数目 < spark.shuffle.sort.bypassMergeThrshold指定的阀值

def shouldBypassMergeSort(conf: SparkConf, dep: ShuffleDependency[_, _, _]): Boolean = {
 // We cannot bypass sorting if we need to do map-side aggregation.
 if (dep.mapSideCombine) {
 require(dep.aggregator.isDefined, "Map-side combine without Aggregator specified!")
 false
 } else {
 val bypassMergeThreshold: Int = conf.getInt("spark.shuffle.sort.bypassMergeThreshold", 200)
 dep.partitioner.numPartitions <= bypassMergeThreshold
 }
}

最后:我们分析一下canUseSerializedShuffle函数,来确定是否使用Tungsten-Sort支持的序列化模式SerializedShuffleHandle

满足条件:

# shuffle依赖不带有聚合操作

# 支持序列化值的重新定位

# 分区数量少于16777216个

 def canUseSerializedShuffle(dependency: ShuffleDependency[_, _, _]): Boolean = {
 val shufId = dependency.shuffleId
 // 获取分区数
 val numPartitions = dependency.partitioner.numPartitions
 // 如果不支持序列化值的重新定位
 if (!dependency.serializer.supportsRelocationOfSerializedObjects) {
 log.debug(s"Can&#39;t use serialized shuffle for shuffle $shufId because the serializer, " +
 s"${dependency.serializer.getClass.getName}, does not support object relocation")
 false
 }
 // 如果定义聚合器
 else if (dependency.aggregator.isDefined) {
 log.debug(
 s"Can&#39;t use serialized shuffle for shuffle $shufId because an aggregator is defined")
 false
 }
 // 如果分区数量大于16777216个
 else if (numPartitions > MAX_SHUFFLE_OUTPUT_PARTITIONS_FOR_SERIALIZED_MODE) {
 log.debug(s"Can&#39;t use serialized shuffle for shuffle $shufId because it has more than " +
 s"$MAX_SHUFFLE_OUTPUT_PARTITIONS_FOR_SERIALIZED_MODE partitions")
 false
 } else {
 log.debug(s"Can use serialized shuffle for shuffle $shufId")
 true
 }
 }
}
override def getWriter[K, V](handle: ShuffleHandle,
 mapId: Int, context: TaskContext): ShuffleWriter[K, V] = {
 numMapsForShuffle.putIfAbsent(
 handle.shuffleId, handle.asInstanceOf[BaseShuffleHandle[_, _, _]].numMaps)

 val env = SparkEnv.get
 handle match {
 // 如果使用SerializedShuffleHandle则获取UnsafeShuffleWriter
 case unsafeShuffleHandle: SerializedShuffleHandle[K @unchecked, V @unchecked] =>
 new UnsafeShuffleWriter(
 env.blockManager,
 shuffleBlockResolver.asInstanceOf[IndexShuffleBlockResolver],
 context.taskMemoryManager(),
 unsafeShuffleHandle,
 mapId,
 context,
 env.conf)
 // 如果使用BypassMergeSortShuffleHandle则获取BypassMergeSortShuffleWriter
 case bypassMergeSortHandle: BypassMergeSortShuffleHandle[K @unchecked, V @unchecked] =>
 new BypassMergeSortShuffleWriter(
 env.blockManager,
 shuffleBlockResolver.asInstanceOf[IndexShuffleBlockResolver],
 bypassMergeSortHandle,
 mapId,
 context,
 env.conf)
 // 如果使用BaseShuffleHandle则获取SortShuffleWriter
 case other: BaseShuffleHandle[K @unchecked, V @unchecked, _] =>
 new SortShuffleWriter(shuffleBlockResolver, other, mapId, context)
 }
}

2.3 BypassMergeSortShuffleWriter的写机制分析

BypassMergeSortShuffleWriter:实现带Hash风格的基于Sort的Shuffle机制。在Reducer端任务数比较少的情况下,基于Hash的Shuffle实现机制明显比Sort的Shuffle实现快。所以基于Sort的Shuffle实现机制提供一个方案,当Reducer任务数少于配置的属性spark.shuffle.sort.bypassMergeThreshold设置的个数的时候,则使用此种方案。

特点:

# 主要用于处理不需要排序和聚合的Shuffle操作,所以数据是直接写入文件,数据量较大的时候,网络I/O和内存负担较重

# 主要适合处理Reducer任务数量比较少的情况下

# 将每一个分区写入一个单独的文件,最后将这些文件合并,减少文件数量;但是这种方式需要并发打开多个文件,对内存消耗比较大

public voidwrite(Iterator> records)throws IOException{
assert (partitionWriters== null);
if (!records.hasNext()) {
partitionLengths= new long[numPartitions];
shuffleBlockResolver.writeIndexFileAndCommit(shuffleId,mapId, partitionLengths,null);
mapStatus = MapStatus$.MODULE$.apply(blockManager.shuffleServerId(),partitionLengths);
return;
}
final SerializerInstanceserInstance = serializer.newInstance();
final long openStartTime= System.nanoTime();
// 构建一个对于task结果进行分区的数量的writer数组,即每一个分区对应着一个writer
// 这种写入方式,会同时打开numPartition个writer,所以分区数不宜设置过大
// 避免带来过重的内存开销。现在默认writer的缓存大小是32k,比起以前100k小太多了

partitionWriters= new DiskBlockObjectWriter[numPartitions];
// 构建一个对于task结果进行分区的数量的FileSegment数组,寄一个分区的writer对应着一组FileSegment
partitionWriterSegments= new FileSegment[numPartitions];
for (int i = 0; i < numPartitions; i++) {
// 创建临时的shuffle block,返回一个(shuffle blockid,file)的元组
final Tuple2 tempShuffleBlockIdPlusFile=
blockManager.diskBlockManager().createTempShuffleBlock();
// 获取该分区对应的文件
final Filefile = tempShuffleBlockIdPlusFile._2();
// 获取该分区对应的blockId
final BlockIdblockId = tempShuffleBlockIdPlusFile._1();
// 构造每一个分区的writer
partitionWriters[i] =
blockManager.getDiskWriter(blockId,file, serInstance,fileBufferSize, writeMetrics);
}

writeMetrics.incWriteTime(System.nanoTime() -openStartTime);
// 如果有数据,获取数据,对key进行分区,然后将写入该分区对应的文件
while (records.hasNext()) {
final Product2 record =records.next();
final K key = record._1();
partitionWriters[partitioner.getPartition(key)].write(key,record._2());
}
// 遍历所有分区的writer列表,刷新数据到文件,构建FileSegment数组
for (inti = 0; i < numPartitions; i++) {
final DiskBlockObjectWriterwriter = partitionWriters[i];
// 把数据刷到磁盘,构建一个FileSegment
partitionWriterSegments[i] =writer.commitAndGet();
writer.close();
}
// 根据shuffleId和mapId,构建ShuffleDataBlockId,创建文件,文件格式为:
//shuffle_{shuffleId}_{mapId}_{reduceId}.data

File output= shuffleBlockResolver.getDataFile(shuffleId,mapId);
// 创建临时文件
File tmp= Utils.tempFileWith(output);
try {
// 合并前面的生成的各个中间临时文件,并获取分区对应的数据大小,然后就可以计算偏移量
partitionLengths= writePartitionedFile(tmp);
// 创建索引文件,将每一个分区的起始位置、结束位置和偏移量写入索引,
// 且将合并的data文件临时文件重命名,索引文件的临时文件重命名

shuffleBlockResolver.writeIndexFileAndCommit(shuffleId,mapId, partitionLengths,tmp);
} finally {
if (tmp.exists() && !tmp.delete()) {
logger.error("Error while deleting tempfile {}",tmp.getAbsolutePath());
}
}
// 封装并返回任何结果
mapStatus = MapStatus$.MODULE$.apply(blockManager.shuffleServerId(),partitionLengths);
}

private long[]writePartitionedFile(FileoutputFile) throws IOException {
// 构建一个分区数量的数组
final long[] lengths = new long[numPartitions];
if (partitionWriters== null) {
// We werepassed an empty iterator
return lengths;
}
// 创建合并文件的临时文件输出流
final FileOutputStreamout = new FileOutputStream(outputFile,true);
final long writeStartTime= System.nanoTime();
boolean threwException= true;
try {
// 进行分区文件的合并,返回每一个分区文件长度
for (inti = 0; i < numPartitions; i++) {
// 获取该分区对应的FileSegment对应的文件
final Filefile = partitionWriterSegments[i].file();
// 如果文件存在
if (file.exists()) {
final FileInputStreamin = new FileInputStream(file);
boolean copyThrewException= true;
try {
// 把该文件拷贝到合并文件的临时文件,并返回文件长度
lengths[i] =Utils.copyStream(in,out, false,transferToEnabled);
copyThrewException= false;
} finally {
Closeables.close(in,copyThrewException);
}
if (!file.delete()) {
logger.error("Unable to delete file forpartition {}",i);
}
}
}
threwException= false;
} finally {
Closeables.close(out,threwException);
writeMetrics.incWriteTime(System.nanoTime() -writeStartTime);
}
partitionWriters= null;
return lengths;
}

defwriteIndexFileAndCommit(
shuffleId: Int,
mapId: Int,
lengths: Array[Long],
dataTmp: File): Unit = {
// 获取索引文件
val indexFile= getIndexFile(shuffleId,mapId)
// 生成临时的索引文件
val indexTmp= Utils.tempFileWith(indexFile)
try {
val out = new DataOutputStream(newBufferedOutputStream(newFileOutputStream(indexTmp)))
Utils.tryWithSafeFinally{
// 将offset写入索引文件写入临时的索引文件
var offset= 0L
out.writeLong(offset)
for (length <- lengths) {
offset += length
out.writeLong(offset)
}
} {
out.close()
}
// 获取数据文件
val dataFile= getDataFile(shuffleId,mapId)
// There isonly one IndexShuffleBlockResolver per executor, this synchronization make sure
// the following check and rename areatomic.

synchronized {
// 传递进去的索引、数据文件以及每一个分区的文件的长度
val existingLengths= checkIndexAndDataFile(indexFile,dataFile, lengths.length)
if (existingLengths!= null) {
// Anotherattempt for the same task has already written our map outputs successfully,
// so just use the existingpartition lengths and delete our temporary map outputs.

System.arraycopy(existingLengths,0, lengths,0, lengths.length)
if (dataTmp!= null && dataTmp.exists()) {
dataTmp.delete()
}
indexTmp.delete()
} else {
// This is thefirst successful attempt in writing the map outputs for this task,
// so override any existing indexand data files with the ones we wrote.

if (indexFile.exists()) {
indexFile.delete()
}
if (dataFile.exists()) {
dataFile.delete()
}
if (!indexTmp.renameTo(indexFile)) {
throw new IOException("fail to rename file"+ indexTmp + " to " + indexFile)
}
if (dataTmp!= null && dataTmp.exists() && !dataTmp.renameTo(dataFile)) {
throw new IOException("fail to rename file"+ dataTmp + " to " + dataFile)
}
}
}
} finally {
if (indexTmp.exists() && !indexTmp.delete()) {
logError(s"Failed to delete temporary index file at${indexTmp.getAbsolutePath}")
}
}
}

总结:

基于BypassMergeSortShuffleWriter的机制:

# 首先确定ShuffleMapTask的结果应该分为几个分区,并且为每一个分区创建一个DiskBlockObjectWriter和临时文件

# 将每一个ShuffleMapTask的结果通过Partitioner进行分区,写入对应分区的临时文件

# 将分区刷到磁盘文件, 并且创建每一个分区文件对应的FileSegment数组

# 根据shuffleId和mapId,构建ShuffleDataBlockId,创建合并文件data和合并文件的临时文件,文件格式为:

shuffle_{shuffleId}_{mapId}_{reduceId}.data

# 将每一个分区对应的文件的数据合并到合并文件的临时文件,并且返回一个每一个分区对应的文件长度的数组

# 创建索引文件index和索引临时文件,每一个分区的长度和offset写入索引文件等;并且重命名临时data文件和临时index文件

# 将一些信息封装到MapStatus返回

2.4SortShuffleWriter的写机制分析

SortShuffleWriter它主要是判断在Map端是否需要本地进行combine操作。如果需要聚合,则使用PartitionedAppendOnlyMap;如果不进行combine操作,则使用PartitionedPairBuffer添加数据存放于内存中。然后无论哪一种情况都需要判断内存是否足够,如果内存不够而且又申请不到内存,则需要进行本地磁盘溢写操作,把相关的数据写入溢写到临时文件。最后把内存里的数据和磁盘溢写的临时文件的数据进行合并,如果需要则进行一次归并排序,如果没有发生溢写则是不需要归并排序,因为都在内存里。最后生成合并后的data文件和index文件。

2.4.1 遍历数据,将task的输出写入文件

# 创建外部排序器ExternalSorter, 只是根据是否需要本地combine与否从而决定是否传入aggregator和keyOrdering参数

# 将写入数据全部放入外部排序器ExternalSorter,并且根据是否需要spill进行spill操作

# 创建data文件和临时的data文件,文件格式为&#39;shuffle_{shuffleId}_{mapId}_{reducerId}.data&#39; 先将数据写入临时data文件

# 创建index索引文件和临时index文件,写入每一个分区的offset以及length信息等,并且重命名data临时文件和index临时文件

# 把部分信息封装到MapStatus返回

override def write(records: Iterator[Product2[K, V]]): Unit = {
 // 是否map端需要在本地进行combine操作,如果需要,则需要传入aggregator和keyOrdering,创建ExternalSorter
 // aggregator用于指示进行combiner的操作( keyOrdering用于传递key的排序规则);
 sorter = if (dep.mapSideCombine) {
 require(dep.aggregator.isDefined, "Map-side combine without Aggregator specified!")
 new ExternalSorter[K, V, C](
 context, dep.aggregator, Some(dep.partitioner), dep.keyOrdering, dep.serializer)
 } else {
 // 如果不需要在本地进行combine操作, 就不需要aggregator和keyOrdering
 // 那么本地每个分区的数据不会做聚合和排序
 new ExternalSorter[K, V, V](
 context, aggregator = None, Some(dep.partitioner), ordering = None, dep.serializer)
 }
 // 将写入数据全部放入外部排序器ExternalSorter,并且根据是否需要spill进行spill操作
 sorter.insertAll(records)
 // 创建data文件,文件格式为&#39;shuffle_{shuffleId}_{mapId}_{reducerId}.data&#39;
 val output = shuffleBlockResolver.getDataFile(dep.shuffleId, mapId)
 // 为data文件创建临时的文件
 val tmp = Utils.tempFileWith(output)
 try {
 // 创建Shuffle Block Id:shuffle_{shuffleId}_{mapId}_{reducerId}
 val blockId = ShuffleBlockId(dep.shuffleId, mapId, IndexShuffleBlockResolver.NOOP_REDUCE_ID)
 val partitionLengths = sorter.writePartitionedFile(blockId, tmp)
 // 创建index索引文件,写入每一个分区的offset以及length信息等,并且重命名data临时文件和index临时文件
 shuffleBlockResolver.writeIndexFileAndCommit(dep.shuffleId, mapId, partitionLengths, tmp)
 // 把部分信息封装到MapStatus返回
 mapStatus = MapStatus(blockManager.shuffleServerId, partitionLengths)
 } finally {
 if (tmp.exists() && !tmp.delete()) {
 logError(s"Error while deleting temp file ${tmp.getAbsolutePath}")
 }
 }
}

2.4.2 将写入数据全部放入外部排序器ExternalSorter,并且根据是否需要spill进行spill操作

# 判断aggregator是否为空,如果不为空,表示需要在本地combine

# 如果需要本地combine,则使用PartitionedAppendOnlyMap,先在内存进行聚合,如果需要一些磁盘,则开始溢写磁盘

# 如果不进行combine操作,则使用PartitionedPairBuffer添加数据存放于内存中,如果需要一些磁盘,则开始溢写磁盘

def insertAll(records: Iterator[Product2[K, V]]): Unit = {
 // 判断aggregator是否为空,如果不为空,表示需要在本地combine
 val shouldCombine = aggregator.isDefined
 // 如果需要本地combine
 if (shouldCombine) {
 // 使用AppendOnlyMap优先在内存中进行combine
 // 获取aggregator的merge函数,用于merge新的值到聚合记录
 val mergeValue = aggregator.get.mergeValue
 // 获取aggregator的createCombiner函数,用于创建聚合的初始值
 val createCombiner = aggregator.get.createCombiner
 var kv: Product2[K, V] = null
 // 创建update函数,如果有值进行mergeValue,如果没有则createCombiner
 val update = (hadValue: Boolean, oldValue: C) => {
 if (hadValue) mergeValue(oldValue, kv._2) else createCombiner(kv._2)
 }
 while (records.hasNext) {
 // 处理一个元素,就更新一次结果
 addElementsRead()
 // 取出一个(key,value)
 kv = records.next()
 // 对key计算分区,然后开始进行merge
 map.changeValue((getPartition(kv._1), kv._1), update)
 // 如果需要溢写内存数据到磁盘
 maybeSpillCollection(usingMap = true)
 }
 } else { // 不需要进行本地combine
 while (records.hasNext) {
 // 处理一个元素,就更新一次结果
 addElementsRead()
 // 取出一个(key,value)
 val kv = records.next()
 // 往PartitionedPairBuffer添加数据
 buffer.insert(getPartition(kv._1), kv._1, kv._2.asInstanceOf[C])
 // 如果需要溢写内存数据到磁盘
 maybeSpillCollection(usingMap = false)

 }
 }
}

2.4.3 根据是否需要本地combine,从而决定初始化哪一个数据结构

private def maybeSpillCollection(usingMap: Boolean): Unit = {
 var estimatedSize = 0L
 // 如果使用PartitionedAppendOnlyMap存放数据,主要方便进行聚合
 if (usingMap) {
 // 首先估计一下该map的大小
 estimatedSize = map.estimateSize()
 // 然后会根据预估的map大小决定是否需要进行spill
 if (maybeSpill(map, estimatedSize)) {
 map = new PartitionedAppendOnlyMap[K, C]
 }
 } else {//否则使用PartitionedPairBuffer,以用于本地不需要进行聚合的情况
 // 首先估计一下该map的大小
 estimatedSize = buffer.estimateSize()
 // 然后会根据预估的map大小决定是否需要进行spill
 if (maybeSpill(buffer, estimatedSize)) {
 buffer = new PartitionedPairBuffer[K, C]
 }
 }

 if (estimatedSize > _peakMemoryUsedBytes) {
 _peakMemoryUsedBytes = estimatedSize
 }
}

2.4.4 判断是否需要溢写磁盘,如果需要则开始溢写

# 如果已经读取的数据是32的倍数且预计的当前需要的内存大于阀值的时候,准备申请内存

# 申请不成功或者申请完毕之后还是当前需要的内存还是不够,则表示需要进行spill

# 如果需要spill,则调用spill方法开始溢写磁盘,溢写完毕之后释放内存

protected def maybeSpill(collection: C, currentMemory: Long): Boolean = {
 var shouldSpill = false
 // 如果读取的数据是32的倍数,而且当前内存大于内存阀值,默认是5M
 // 会先尝试向MemoryManager申请(2 * currentMemory - myMemoryThreshold)大小的内存
 // 如果能够申请到,则不进行Spill操作,而是继续向Buffer中存储数据,
 // 否则就会调用spill()方法将Buffer中数据输出到磁盘文件
 if (elementsRead % 32 == 0 && currentMemory >= myMemoryThreshold) {
 // 向MemoryManager申请内存的大小
 val amountToRequest = 2 * currentMemory - myMemoryThreshold
 // 分配内存,并更新已经使用的内存
 val granted = acquireMemory(amountToRequest)
 // 更新现在内存阀值
 myMemoryThreshold += granted
 // 再次判断当前内存是否大于阀值,如果还是大于阀值则继续spill
 shouldSpill = currentMemory >= myMemoryThreshold
 }
 shouldSpill = shouldSpill || _elementsRead > numElementsForceSpillThreshold
 // 如果需要进行spill,则开始进行spill操作
 if (shouldSpill) {
 _spillCount += 1
 logSpillage(currentMemory)
 // 开始spill
 spill(collection)
 _elementsRead = 0
 _memoryBytesSpilled += currentMemory
 // 释放内存
 releaseMemory()
 }
 shouldSpill
}

2.4.5 溢写磁盘

# 返回一个根据指定的比较器排序的迭代器

# 溢写内存里的数据到磁盘一个临时文件

# 更新溢写的临时磁盘文件

override protected[this] def spill(collection: WritablePartitionedPairCollection[K, C]): Unit = {
 // 返回一个根据指定的比较器排序的迭代器
 val inMemoryIterator = collection.destructiveSortedWritablePartitionedIterator(comparator)
 // 溢写内存里的数据到磁盘一个临时文件
 val spillFile = spillMemoryIteratorToDisk(inMemoryIterator)
 // 更新溢写的临时磁盘文件
 spills += spillFile
}

2.4.6溢写内存里的数据到磁盘一个临时文件

# 创建临时的blockId和文件

# 针对临时文件创建DiskBlockObjectWriter

# 循环读取内存里的数据

# 内存里的数据数据写入文件

# 将数据刷到磁盘

# 创建SpilledFile然后返回

private[this] def spillMemoryIteratorToDisk(inMemoryIterator: WritablePartitionedIterator)
 : SpilledFile = {
 // 因为这些文件在shuffle期间可能被读取,他们压缩应该被spark.shuffle.spill.compress控制而不是
 // spark.shuffle.compress,所以我们需要创建临时的shuffle block
 val (blockId, file) = diskBlockManager.createTempShuffleBlock()

 // These variables are reset after each flush
 var objectsWritten: Long = 0
 val spillMetrics: ShuffleWriteMetrics = new ShuffleWriteMetrics
 // 创建针对临时文件的writer
 val writer: DiskBlockObjectWriter =
 blockManager.getDiskWriter(blockId, file, serInstance, fileBufferSize, spillMetrics)

 // 批量写入磁盘的列表
 val batchSizes = new ArrayBuffer[Long]

 // 每一个分区有多少数据
 val elementsPerPartition = new Array[Long](numPartitions)

 // 刷新数据到磁盘
 def flush(): Unit = {
 // 每一个分区对应文件刷新到磁盘,并返回对应的FileSegment
 val segment = writer.commitAndGet()
 // 获取该FileSegment对应的文件的长度,并且更新batchSizes
 batchSizes += segment.length
 _diskBytesSpilled += segment.length
 objectsWritten = 0
 }

 var success = false
 try {
 // 循环读取内存里的数据
 while (inMemoryIterator.hasNext) {
 // 获取partitionId
 val partitionId = inMemoryIterator.nextPartition()
 require(partitionId >= 0 && partitionId < numPartitions,
 s"partition Id: ${partitionId} should be in the range [0, ${numPartitions})")
 // 内存里的数据数据写入文件
 inMemoryIterator.writeNext(writer)
 elementsPerPartition(partitionId) += 1
 objectsWritten += 1
 // 将数据刷到磁盘
 if (objectsWritten == serializerBatchSize) {
 flush()
 }
 }
 // 遍历完了之后,刷新到磁盘
 if (objectsWritten > 0) {
 flush()
 } else {
 writer.revertPartialWritesAndClose()
 }
 success = true
 } finally {
 if (success) {
 writer.close()
 } else {
 // This code path only happens if an exception was thrown above before we set success;
 // close our stuff and let the exception be thrown further
 writer.revertPartialWritesAndClose()
 if (file.exists()) {
 if (!file.delete()) {
 logWarning(s"Error deleting ${file}")
 }
 }
 }
 }
 // 创建SpilledFile然后返回
 SpilledFile(file, blockId, batchSizes.toArray, elementsPerPartition)
}

2.4.7 对结果排序,合并文件

# 溢写文件为空,则内存足够,不需要溢写结果到磁盘, 返回一个对结果排序的迭代器, 遍历数据写入data临时文件;再将数据刷到磁盘文件,返回FileSegment对象;构造一个分区文件长度的数组

# 溢写文件不为空,则需要将溢写的文件和内存数据合并,合并之后则需要进行归并排序(merge-sort);数据写入data临时文件,再将数据刷到磁盘文件,返回FileSegment对象;构造一个分区文件长度的数组

# 返回分区文件长度的数组

def writePartitionedFile(blockId: BlockId, outputFile: File): Array[Long] = {

 // Track location of each range in the output file
 // 临时的data文件跟踪每一个分区的位置
 // 创建每一个分区对应的文件长度的数组
 val lengths = new Array[Long](numPartitions)
 // 创建DiskBlockObjectWriter对象
 val writer = blockManager.getDiskWriter(blockId, outputFile, serInstance, fileBufferSize,
 context.taskMetrics().shuffleWriteMetrics)
 // 判断是否有进行spill的文件
 if (spills.isEmpty) {
 // 如果是空的表示我们只有内存数据,内存足够,不需要溢写结果到磁盘
 // 如果指定aggregator,就返回PartitionedAppendOnlyMap里的数据,否则返回
 // PartitionedPairBuffer里的数据
 val collection = if (aggregator.isDefined) map else buffer
 // 返回一个对结果排序的迭代器
 val it = collection.destructiveSortedWritablePartitionedIterator(comparator)
 while (it.hasNext) {
 // 获取partitionId
 val partitionId = it.nextPartition()
 // 通过writer将内存数据写入临时文件
 while (it.hasNext && it.nextPartition() == partitionId) {
 it.writeNext(writer)
 }
 // 数据刷到磁盘,并且创建FileSegment数组
 val segment = writer.commitAndGet()
 // 构造一个分区文件长度的数组
 lengths(partitionId) = segment.length
 }
 } else {
 // 否则,表示有溢写文件,则需要进行归并排序(merge-sort)
 // We must perform merge-sort; get an iterator by partition and write everything directly.
 // 每一个分区的数据都写入到data文件的临时文件
 for ((id, elements) <- this.partitionedIterator) {
 if (elements.hasNext) {
 for (elem <- elements) {
 writer.write(elem._1, elem._2)
 }
 // 数据刷到磁盘,并且创建FileSegment数组
 val segment = writer.commitAndGet()
 // 构造一个分区文件长度的数组
 lengths(id) = segment.length
 }
 }
 }

 writer.close()
 context.taskMetrics().incMemoryBytesSpilled(memoryBytesSpilled)
 context.taskMetrics().incDiskBytesSpilled(diskBytesSpilled)
 context.taskMetrics().incPeakExecutionMemory(peakMemoryUsedBytes)

 lengths
}

2.4.8 返回遍历所有数据的迭代器

# 没有溢写,则判断是否需要对key排序,如果不需要则只是将数据按照partitionId排序,否则首先按照partitionId排序,然后partition内部再按照key排序

# 如果发生溢写,则需要将磁盘上溢写文件和内存里的数据进行合并

def partitionedIterator: Iterator[(Int, Iterator[Product2[K, C]])] = {
 // 是否需要本地combine
 val usingMap = aggregator.isDefined
 val collection: WritablePartitionedPairCollection[K, C] = if (usingMap) map else buffer
 // 如果没有发生磁盘溢写
 if (spills.isEmpty) {
 // Special case: if we have only in-memory data, we don&#39;t need to merge streams, and perhaps
 // we don&#39;t even need to sort by anything other than partition ID
 // 而且不需要排序
 if (!ordering.isDefined) {
 // 数据只是按照partitionId排序,并不会对key进行排序
 groupByPartition(destructiveIterator(collection.partitionedDestructiveSortedIterator(None)))
 } else {
 // 否则我们需要先按照partitionId排序,然后分区内部对key进行排序
 groupByPartition(destructiveIterator(
 collection.partitionedDestructiveSortedIterator(Some(keyComparator))))
 }
 } else {
 // 如果发生了溢写操作,则需要将磁盘上溢写文件和内存里的数据进行合并
 merge(spills, destructiveIterator(
 collection.partitionedDestructiveSortedIterator(comparator)))
 }
}

三Sort-Based Shuffle读机制

假设我们执行了reduceByKey算子,那么生成的RDD的就是ShuffleRDD,下游在运行任务的时候,则需要获取上游ShuffleRDD的数据,所以ShuffleRDD的compute方法是Shuffle读的起点。

下游的ReducerTask,可能是ShuffleMapTask也有可能是ResultTask,首先会去Driver获取parent stage中ShuffleMapTask输出的位置信息,根据位置信息获取index文件,然后解析index文件,从index文件中获取相关的位置等信息,然后读data文件获取属于自己那部分内容。

那什么ReducerTask什么时候去获取数据呢?当parent stage的所有ShuffleMapTask结束后再去fetch,然后一边fetch一边计算。

3.1ShuffleRDD的compute方法

override def compute(split: Partition, context: TaskContext): Iterator[(K, C)] = {
 // ResultTask或者ShuffleMapTask在执行到ShuffleRDD时,肯定会调用ShuffleRDD的compute方法
 // 来计算当前这个RDD的partition数据
 val dep = dependencies.head.asInstanceOf[ShuffleDependency[K, V, C]]
 // 获取ShuffleManager的reader去拉取ShuffleMapTask,需要聚合的数据
 SparkEnv.get.shuffleManager.getReader(dep.shuffleHandle, split.index, split.index + 1, context)
 .read()
 .asInstanceOf[Iterator[(K, C)]]
}

3.2 调用BlockStoreShuffleReader的read方法开始读取数据

# 创建ShuffleBlockFetcherIterator,一个迭代器,它获取多个块,对于本地块,从本地读取对于远程块,通过远程方法读取

# 如果reduce端需要聚合:如果map端已经聚合过了,则对读取到的聚合结果进行聚合; 如果map端没有聚合,则针对未合并的进行聚合

# 如果需要对key排序,则进行排序。基于sort的shuffle实现过程中,默认只是按照partitionId排序。在每一个partition内部并没有排序,因此添加了keyOrdering变量,提供是否需要对分区内部的key排序

override def read(): Iterator[Product2[K, C]] = {
 // 构造ShuffleBlockFetcherIterator,一个迭代器,它获取多个块,对于本地块,从本地读取
 // 对于远程块,通过远程方法读取
 val blockFetcherItr = new ShuffleBlockFetcherIterator(
 context,
 blockManager.shuffleClient,
 blockManager,
 //MapOutputTracker在SparkEnv启动的时候实例化
 mapOutputTracker.getMapSizesByExecutorId(handle.shuffleId, startPartition, endPartition),
 // Note: we use getSizeAsMb when no suffix is provided for backwards compatibility
 SparkEnv.get.conf.getSizeAsMb("spark.reducer.maxSizeInFlight", "48m") * 1024 * 1024,
 SparkEnv.get.conf.getInt("spark.reducer.maxReqsInFlight", Int.MaxValue))

 // 基于配置文件对于流进行包装
 val wrappedStreams = blockFetcherItr.map { case (blockId, inputStream) =>
 serializerManager.wrapStream(blockId, inputStream)
 }
 // 获取序列化实例
 val serializerInstance = dep.serializer.newInstance()

 // 对于每一个流创建一个迭代器
 val recordIter = wrappedStreams.flatMap { wrappedStream =>
 serializerInstance.deserializeStream(wrappedStream).asKeyValueIterator
 }

 // Update the context task metrics for each record read.
 val readMetrics = context.taskMetrics.createTempShuffleReadMetrics()
 val metricIter = CompletionIterator[(Any, Any), Iterator[(Any, Any)]](
 recordIter.map { record =>
 readMetrics.incRecordsRead(1)
 record
 },
 context.taskMetrics().mergeShuffleReadMetrics())

 // An interruptible iterator must be used here in order to support task cancellation
 val interruptibleIter = new InterruptibleIterator[(Any, Any)](context, metricIter)
 // 如果reduce端需要聚合
 val aggregatedIter: Iterator[Product2[K, C]] = if (dep.aggregator.isDefined) {
 // 如果map端已经聚合过了
 if (dep.mapSideCombine) {
 //则对读取到的聚合结果进行聚合
 val combinedKeyValuesIterator = interruptibleIter.asInstanceOf[Iterator[(K, C)]]
 // 针对map端各个partition对key进行聚合后的结果再次聚合
 dep.aggregator.get.combineCombinersByKey(combinedKeyValuesIterator, context)
 } else {
 // 如果map端没有聚合,则针对未合并的进行聚合
 val keyValuesIterator = interruptibleIter.asInstanceOf[Iterator[(K, Nothing)]]
 dep.aggregator.get.combineValuesByKey(keyValuesIterator, context)
 }
 } else {
 require(!dep.mapSideCombine, "Map-side combine without Aggregator specified!")
 interruptibleIter.asInstanceOf[Iterator[Product2[K, C]]]
 }

 // 如果需要对key排序,则进行排序。基于sort的shuffle实现过程中,默认只是按照partitionId排序
 // 在每一个partition内部并没有排序,因此添加了keyOrdering变量,提供是否需要对分区内部的key排序
 dep.keyOrdering match {
 case Some(keyOrd: Ordering[K]) =>
 // 为了减少内存压力和避免GC开销,引入了外部排序器,当内存不足时会根据配置文件
 // spark.shuffle.spill决定是否进行spill操作
 val sorter =
 new ExternalSorter[K, C, C](context, ordering = Some(keyOrd), serializer = dep.serializer)
 sorter.insertAll(aggregatedIter)
 context.taskMetrics().incMemoryBytesSpilled(sorter.memoryBytesSpilled)
 context.taskMetrics().incDiskBytesSpilled(sorter.diskBytesSpilled)
 context.taskMetrics().incPeakExecutionMemory(sorter.peakMemoryUsedBytes)
 CompletionIterator[Product2[K, C], Iterator[Product2[K, C]]](sorter.iterator, sorter.stop())
 case None =>
 // 不需要排序直接返回
 aggregatedIter
 }
}

3.3 通过MapOutputTracker的getMapSizesByExecutorId去获取MapStatus

要去读取数据,我们就需要知道从哪儿读取,读取哪一些数据,这些信息在上游shuffle会存封装在MapStatus中

def getMapSizesByExecutorId(shuffleId: Int, startPartition: Int, endPartition: Int)
 : Seq[(BlockManagerId, Seq[(BlockId, Long)])] = {
 logDebug(s"Fetching outputs for shuffle $shuffleId, partitions $startPartition-$endPartition")
 // 根据shuffleId获取MapStatus
 val statuses = getStatuses(shuffleId)
 // 将得到MapStatus数组进行转化
 statuses.synchronized {
 return MapOutputTracker.convertMapStatuses(shuffleId, startPartition, endPartition, statuses)
 }
}

# 向MapOutputTrackerMasterEndpoint发送GetMapOutputStatuses消息, MapOutputTrackerMasterEndpoint收到消息之后,MapOutputTrackerMaster会添加这个请求到队列,并且它有一个后台线程一直不断从该队列获取请求,获取请求之后返回。

override def receiveAndReply(context: RpcCallContext): PartialFunction[Any, Unit] = {
 // 如果接收的是GetMapOutputStatuses消息,则表示获取MapOutput状态
 case GetMapOutputStatuses(shuffleId: Int) =>
 val hostPort = context.senderAddress.hostPort
 logInfo("Asked to send map output locations for shuffle " + shuffleId + " to " + hostPort)
 // 调用MapOutputTrackerMaster的post方法获取
 val mapOutputStatuses = tracker.post(new GetMapOutputMessage(shuffleId, context))

 case StopMapOutputTracker =>
 logInfo("MapOutputTrackerMasterEndpoint stopped!")
 context.reply(true)
 stop()
}
def post(message: GetMapOutputMessage): Unit = {
 // 往这个队列插入一个请求
 mapOutputRequests.offer(message)
}
private class MessageLoop extends Runnable {
 override def run(): Unit = {
 try {
 while (true) {
 try {
 // 从队列中取出一个GetMapOutputMessage消息
 val data = mapOutputRequests.take()
 if (data == PoisonPill) {
 // Put PoisonPill back so that other MessageLoops can see it.
 mapOutputRequests.offer(PoisonPill)
 return
 }
 val context = data.context
 val shuffleId = data.shuffleId
 val hostPort = context.senderAddress.hostPort
 logDebug("Handling request to send map output locations for shuffle " + shuffleId +
 " to " + hostPort)
 // 根据shuffleId获取序列化的MapOutputStatuses
 val mapOutputStatuses = getSerializedMapOutputStatuses(shuffleId)
 context.reply(mapOutputStatuses)
 } catch {
 case NonFatal(e) => logError(e.getMessage, e)
 }
 }
 } catch {
 case ie: InterruptedException => // exit
 }
 }
}

3.4 创建ShuffleBlockFetcherIterator,在其内部会调用初始化方法initialize方法

# 切分本地和远程的block,并且将远程block随机排序

# 发送请求到远程获取block数据

# 拉取本地block的数据

private[this] def initialize(): Unit = {
 // Add a task completion callback (called in both success case and failure case) to cleanup.
 context.addTaskCompletionListener(_ => cleanup())

 // 切分本地和远程的block
 val remoteRequests = splitLocalRemoteBlocks()
 // 然后进行随机排序
 fetchRequests ++= Utils.randomize(remoteRequests)
 assert ((0 == reqsInFlight) == (0 == bytesInFlight),
 "expected reqsInFlight = 0 but found reqsInFlight = " + reqsInFlight +
 ", expected bytesInFlight = 0 but found bytesInFlight = " + bytesInFlight)

 // 发送请求到远程获取数据
 fetchUpToMaxBytes()


 val numFetches = remoteRequests.size - fetchRequests.size
 logInfo("Started " + numFetches + " remote fetches in" + Utils.getUsedTimeMs(startTime))

 // 拉取本地的数据
 fetchLocalBlocks()
 logDebug("Got local blocks in " + Utils.getUsedTimeMs(startTime))
}

3.5 切分本地和远程的block

private[this] def splitLocalRemoteBlocks(): ArrayBuffer[FetchRequest] = {
 // 远端请求从最多5个node去获取数据,每一个节点拉取的数据取决于spark.reducer.maxMbInFlight即maxBytesInFlight参数
 // 加入整个集群只允许每次在5台拉取5G的数据,那么每一节点只允许拉取1G数据,这样就可以允许他们并行从5个节点获取,
 // 而不是主动从一个节点获取
 val targetRequestSize = math.max(maxBytesInFlight / 5, 1L)
 logDebug("maxBytesInFlight: " + maxBytesInFlight + ", targetRequestSize: " + targetRequestSize)

 // 创建FetchRequest队列,用于存放拉取的数据的请求,每一个请求可能包含多个block,
 // 具体多少取决于总的请求block大小是否超过目标阀值
 val remoteRequests = new ArrayBuffer[FetchRequest]

 var totalBlocks = 0
 for ((address, blockInfos) <- blocksByAddress) {
 // 获取block的大小,并更新总的block数量信息
 totalBlocks += blockInfos.size
 // 要获取的数据在本地
 if (address.executorId == blockManager.blockManagerId.executorId) {
 // 更新要从本地block拉取的集合
 localBlocks ++= blockInfos.filter(_._2 != 0).map(_._1)
 // 更新要拉取的block数量
 numBlocksToFetch += localBlocks.size
 } else {//数据不在本地时
 val iterator = blockInfos.iterator
 var curRequestSize = 0L // 当前请求的大小
 // 存放当前的远端请求
 var curBlocks = new ArrayBuffer[(BlockId, Long)]
 // 遍历每一个block
 while (iterator.hasNext) {
 val (blockId, size) = iterator.next()
 // 过滤掉空的block
 if (size > 0) {
 curBlocks += ((blockId, size))
 // 更新要拉取的远端的blockId的集合列表
 remoteBlocks += blockId
 // 更新要拉取的block数量
 numBlocksToFetch += 1
 curRequestSize += size
 } else if (size < 0) {
 throw new BlockException(blockId, "Negative block size " + size)
 }
 // 如果当前请求的大小已经超过了阀值
 if (curRequestSize >= targetRequestSize) {
 // 创建一个新的FetchRequest,放到请求队列
 remoteRequests += new FetchRequest(address, curBlocks)
 // 重置当前block列表
 curBlocks = new ArrayBuffer[(BlockId, Long)]
 logDebug(s"Creating fetch request of $curRequestSize at $address")
 // 重置当前请求数量为0
 curRequestSize = 0
 }
 }
 // 添加最终的请求
 if (curBlocks.nonEmpty) {
 remoteRequests += new FetchRequest(address, curBlocks)
 }
 }
 }
 logInfo(s"Getting $numBlocksToFetch non-empty blocks out of $totalBlocks blocks")
 remoteRequests
}
Spark源码分析之Sort-Based Shuffle读写流程
相关文章
最新文章
热点推荐