詳細探究Spark的shuffle實現

Background

在MapReduce框架中，shuffle是鏈接Map和Reduce之間的橋樑，Map的輸出要用到Reduce中必須通過shuffle這個環節，shuffle的性能高低直接影響了整個程序的性能和吞吐量。Spark做爲MapReduce框架的一種實現，天然也實現了shuffle的邏輯，本文就深刻研究Spark的shuffle是如何實現的，有什麼優缺點，與Hadoop MapReduce的shuffle有什麼不一樣。

Shuffle

Shuffle是MapReduce框架中的一個特定的phase，介於Map phase和Reduce phase之間，當Map的輸出結果要被Reduce使用時，輸出結果須要按key哈希，而且分發到每個Reducer上去，這個過程就是shuffle。因爲shuffle涉及到了磁盤的讀寫和網絡的傳輸，所以shuffle性能的高低直接影響到了整個程序的運行效率。

下面這幅圖清晰地描述了MapReduce算法的整個流程，其中shuffle phase是介於Map phase和Reduce phase之間。

概念上shuffle就是一個溝通數據鏈接的橋樑，那麼實際上shuffle這一部分是如何實現的的呢，下面咱們就以Spark爲例講一下shuffle在Spark中的實現。

Spark Shuffle進化史

先以圖爲例簡單描述一下Spark中shuffle的整一個流程：

• 首先每個Mapper會根據Reducer的數量建立出相應的bucket，bucket的數量是M×R，其中M是Map的個數，R是Reduce的個數。

• 其次Mapper產生的結果會根據設置的partition算法填充到每一個bucket中去。這裏的partition算法是能夠自定義的，固然默認的算法是根據key哈希到不一樣的bucket中去。

• 當Reducer啓動時，它會根據本身task的id和所依賴的Mapper的id從遠端或是本地的block manager中取得相應的bucket做爲Reducer的輸入進行處理。

這裏的bucket是一個抽象概念，在實現中每一個bucket能夠對應一個文件，能夠對應文件的一部分或是其餘等。

接下來咱們分別從shuffle write和shuffle fetch這兩塊來說述一下Spark的shuffle進化史。

Shuffle Write

在Spark 0.6和0.7的版本中，對於shuffle數據的存儲是以文件的方式存儲在block manager中，與rdd.persist(StorageLevel.DISk_ONLY)採起相同的策略，能夠參看：

override def run(attemptId: Long): MapStatus = {  val numOutputSplits = dep.partitioner.numPartitions     ...    // Partition the map output.    val buckets = Array.fill(numOutputSplits)(new ArrayBuffer[(Any, Any)])    for (elem <- rdd.iterator(split, taskContext)) {      val pair = elem.asInstanceOf[(Any, Any)]      val bucketId = dep.partitioner.getPartition(pair._1)      buckets(bucketId) += pair    }    ...    val blockManager = SparkEnv.get.blockManager    for (i <- 0 until numOutputSplits) {      val blockId = "shuffle_" + dep.shuffleId + "_" + partition + "_" + i      // Get a Scala iterator from Java map      val iter: Iterator[(Any, Any)] = buckets(i).iterator      val size = blockManager.put(blockId, iter, StorageLevel.DISK_ONLY, false)      totalBytes += size    }  ...}

我已經將一些干擾代碼刪去。能夠看到Spark在每個Mapper中爲每一個Reducer建立一個bucket，並將RDD計算結果放進bucket中。須要注意的是每一個bucket是一個ArrayBuffer，也就是說Map的輸出結果是會先存儲在內存。

接着Spark會將ArrayBuffer中的Map輸出結果寫入block manager所管理的磁盤中，這裏文件的命名方式爲：shuffle_ + shuffle_id + "_" + map partition id + "_" + shuffle partition id。

早期的shuffle write有兩個比較大的問題：

1. Map的輸出必須先所有存儲到內存中，而後寫入磁盤。這對內存是一個很是大的開銷，當內存不足以存儲全部的Map output時就會出現OOM。

2. 每個Mapper都會產生Reducer number個shuffle文件，若是Mapper個數是1k，Reducer個數也是1k，那麼就會產生1M個shuffle文件，這對於文件系統是一個很是大的負擔。同時在shuffle數據量不大而shuffle文件又很是多的狀況下，隨機寫也會嚴重下降IO的性能。

在Spark 0.8版本中，shuffle write採用了與RDD block write不一樣的方式，同時也爲shuffle write單首創建了ShuffleBlockManager，部分解決了0.6和0.7版本中遇到的問題。

首先咱們來看一下Spark 0.8的具體實現：

override def run(attemptId: Long): MapStatus = {  ...  val blockManager = SparkEnv.get.blockManager  var shuffle: ShuffleBlocks = null  var buckets: ShuffleWriterGroup = null  try {    // Obtain all the block writers for shuffle blocks.    val ser = SparkEnv.get.serializerManager.get(dep.serializerClass)    shuffle = blockManager.shuffleBlockManager.forShuffle(dep.shuffleId, numOutputSplits, ser)    buckets = shuffle.acquireWriters(partition)    // Write the map output to its associated buckets.    for (elem <- rdd.iterator(split, taskContext)) {      val pair = elem.asInstanceOf[Product2[Any, Any]]      val bucketId = dep.partitioner.getPartition(pair._1)      buckets.writers(bucketId).write(pair)    }    // Commit the writes. Get the size of each bucket block (total block size).    var totalBytes = 0L    val compressedSizes: Array[Byte] = buckets.writers.map { writer:   BlockObjectWriter =>      writer.commit()      writer.close()      val size = writer.size()      totalBytes += size      MapOutputTracker.compressSize(size)    }    ...  } catch { case e: Exception =>    // If there is an exception from running the task, revert the partial writes    // and throw the exception upstream to Spark.    if (buckets != null) {      buckets.writers.foreach(_.revertPartialWrites())    }    throw e  } finally {    // Release the writers back to the shuffle block manager.    if (shuffle != null && buckets != null) {      shuffle.releaseWriters(buckets)    }    // Execute the callbacks on task completion.    taskContext.executeOnCompleteCallbacks()    }  }}

在這個版本中爲shuffle write添加了一個新的類ShuffleBlockManager，由ShuffleBlockManager來分配和管理bucket。同時ShuffleBlockManager爲每個bucket分配一個DiskObjectWriter，每一個write handler擁有默認100KB的緩存，使用這個write handler將Map output寫入文件中。能夠看到如今的寫入方式變爲buckets.writers(bucketId).write(pair)，也就是說Map output的key-value pair是逐個寫入到磁盤而不是預先把全部數據存儲在內存中在總體flush到磁盤中去。

ShuffleBlockManager的代碼以下所示：

private[spark]class ShuffleBlockManager(blockManager: BlockManager) {  def forShuffle(shuffleId: Int, numBuckets: Int, serializer: Serializer): ShuffleBlocks = {    new ShuffleBlocks {      // Get a group of writers for a map task.      override def acquireWriters(mapId: Int): ShuffleWriterGroup = {        val bufferSize = System.getProperty("spark.shuffle.file.buffer.kb", "100").toInt * 1024        val writers = Array.tabulate[BlockObjectWriter](numBuckets) { bucketId =>          val blockId = ShuffleBlockManager.blockId(shuffleId, bucketId, mapId)          blockManager.getDiskBlockWriter(blockId, serializer, bufferSize)        }        new ShuffleWriterGroup(mapId, writers)      }      override def releaseWriters(group: ShuffleWriterGroup) = {        // Nothing really to release here.      }    }  }}

Spark 0.8顯著減小了shuffle的內存壓力，如今Map output不須要先所有存儲在內存中，再flush到硬盤，而是record-by-record寫入到磁盤中。同時對於shuffle文件的管理也獨立出新的ShuffleBlockManager進行管理，而不是與rdd cache文件在一塊兒了。

可是這一版Spark 0.8的shuffle write仍然有兩個大的問題沒有解決：

• 首先依舊是shuffle文件過多的問題，shuffle文件過多一是會形成文件系統的壓力過大，二是會下降IO的吞吐量。

• 其次雖然Map output數據再也不須要預先在內存中evaluate顯著減小了內存壓力，可是新引入的DiskObjectWriter所帶來的buffer開銷也是一個不容小視的內存開銷。假定咱們有1k個Mapper和1k個Reducer，那麼就會有1M個bucket，於此同時就會有1M個write handler，而每個write handler默認須要100KB內存，那麼總共須要100GB的內存。這樣的話僅僅是buffer就須要這麼多的內存，內存的開銷是驚人的。固然實際狀況下這1k個Mapper是分時運行的話，所需的內存就只有cores * reducer numbers * 100KB大小了。可是reducer數量不少的話，這個buffer的內存開銷也是蠻厲害的。

爲了解決shuffle文件過多的狀況，Spark 0.8.1引入了新的shuffle consolidation，以期顯著減小shuffle文件的數量。

首先咱們以圖例來介紹一下shuffle consolidation的原理。

假定該job有4個Mapper和4個Reducer，有2個core，也就是能並行運行兩個task。咱們能夠算出Spark的shuffle write共須要16個bucket，也就有了16個write handler。在以前的Spark版本中，每個bucket對應的是一個文件，所以在這裏會產生16個shuffle文件。

而在shuffle consolidation中每個bucket並不是對應一個文件，而是對應文件中的一個segment，同時shuffle consolidation所產生的shuffle文件數量與Spark core的個數也有關係。在上面的圖例中，job的4個Mapper分爲兩批運行，在第一批2個Mapper運行時會申請8個bucket，產生8個shuffle文件；而在第二批Mapper運行時，申請的8個bucket並不會再產生8個新的文件，而是追加寫到以前的8個文件後面，這樣一共就只有8個shuffle文件，而在文件內部這有16個不一樣的segment。所以從理論上講shuffle consolidation所產生的shuffle文件數量爲C×R，其中C是Spark集羣的core number，R是Reducer的個數。

須要注意的是當 M=C時shuffle consolidation所產生的文件數和以前的實現是同樣的。

Shuffle consolidation顯著減小了shuffle文件的數量，解決了以前版本一個比較嚴重的問題，可是writer handler的buffer開銷過大依然沒有減小，若要減小writer handler的buffer開銷，咱們只能減小Reducer的數量，可是這又會引入新的問題，下文將會有詳細介紹。

講完了shuffle write的進化史，接下來要講一下shuffle fetch了，同時還要講一下Spark的aggregator，這一塊對於Spark實際應用的性能相當重要。

Shuffle Fetch and Aggregator

Shuffle write寫出去的數據要被Reducer使用，就須要shuffle fetcher將所需的數據fetch過來，這裏的fetch包括本地和遠端，由於shuffle數據有可能一部分是存儲在本地的。Spark對shuffle fetcher實現了兩套不一樣的框架：NIO經過socket鏈接去fetch數據；OIO經過netty server去fetch數據。分別對應的類是BasicBlockFetcherIterator和NettyBlockFetcherIterator。

在Spark 0.7和更早的版本中，只支持BasicBlockFetcherIterator，而BasicBlockFetcherIterator在shuffle數據量比較大的狀況下performance始終不是很好，沒法充分利用網絡帶寬，爲了解決這個問題，添加了新的shuffle fetcher來試圖取得更好的性能。對於早期shuffle性能的評測能夠參看Spark usergroup。固然如今BasicBlockFetcherIterator的性能也已經好了不少，使用的時候能夠對這兩種實現都進行測試比較。

接下來講一下aggregator。咱們都知道在Hadoop MapReduce的shuffle過程當中，shuffle fetch過來的數據會進行merge sort，使得相同key下的不一樣value按序歸併到一塊兒供Reducer使用，這個過程能夠參看下圖：

全部的merge sort都是在磁盤上進行的，有效地控制了內存的使用，可是代價是更多的磁盤IO。

那麼Spark是否也有merge sort呢，仍是以別的方式實現，下面咱們就細細說明。

首先雖然Spark屬於MapReduce體系，可是對傳統的MapReduce算法進行了必定的改變。Spark假定在大多數用戶的case中，shuffle數據的sort不是必須的，好比word count，強制地進行排序只會使性能變差，所以Spark並不在Reducer端作merge sort。既然沒有merge sort那Spark是如何進行reduce的呢？這就要說到aggregator了。

aggregator本質上是一個hashmap，它是以map output的key爲key，以任意所要combine的類型爲value的hashmap。當咱們在作word count reduce計算count值的時候，它會將shuffle fetch到的每個key-value pair更新或是插入到hashmap中(若在hashmap中沒有查找到，則插入其中；若查找到則更新value值)。這樣就不須要預先把全部的key-value進行merge sort，而是來一個處理一個，省下了外部排序這一步驟。但同時須要注意的是reducer的內存必須足以存放這個partition的全部key和count值，所以對內存有必定的要求。

在上面word count的例子中，由於value會不斷地更新，而不須要將其所有記錄在內存中，所以內存的使用仍是比較少的。考慮一下若是是group by key這樣的操做，Reducer須要獲得key對應的全部value。在Hadoop MapReduce中，因爲有了merge sort，所以給予Reducer的數據已是group by key了，而Spark沒有這一步，所以須要將key和對應的value所有存放在hashmap中，並將value合併成一個array。能夠想象爲了可以存放全部數據，用戶必須確保每個partition足夠小到內存可以容納，這對於內存是一個很是嚴峻的考驗。所以Spark文檔中建議用戶涉及到這類操做的時候儘可能增長partition，也就是增長Mapper和Reducer的數量。

增長Mapper和Reducer的數量當然能夠減少partition的大小，使得內存能夠容納這個partition。可是咱們在shuffle write中提到，bucket和對應於bucket的write handler是由Mapper和Reducer的數量決定的，task越多，bucket就會增長的更多，由此帶來write handler所需的buffer也會更多。在一方面咱們爲了減小內存的使用採起了增長task數量的策略，另外一方面task數量增多又會帶來buffer開銷更大的問題，所以陷入了內存使用的兩難境地。

爲了減小內存的使用，只能將aggregator的操做從內存移到磁盤上進行，Spark社區也意識到了Spark在處理數據規模遠遠大於內存大小時所帶來的問題。所以PR303提供了外部排序的實現方案，相信在Spark 0.9 release的時候，這個patch應該能merge進去，到時候內存的使用量能夠顯著地減小。

End

本文詳細地介紹了Spark的shuffle實現是如何進化的，以及遇到問題解決問題的過程。shuffle做爲Spark程序中很重要的一個環節，直接影響了Spark程序的性能，現現在的Spark版本雖然shuffle實現還存在着種種問題，可是相比於早期版本，已經有了很大的進步。開源代碼就是如此不停地迭代推動，隨着Spark的普及程度愈來愈高，貢獻的人愈來愈多，相信後續的版本會有更大的提高。