ort shuffle有什么用

本篇內容介紹了“ort shuffle有什么用”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

spark實現了多種shuffle方法，通過 spark.shuffle.manager來確定。暫時總共有三種：hash shuffle、sort shuffle和tungsten-sort shuffle，從1.2.0開始默認為sort shuffle。

從1.2.0開始默認為sort shuffle(spark.shuffle.manager = sort)，實現邏輯類似于Hadoop MapReduce，Hash Shuffle每一個reducers產生一個文件，但是Sort Shuffle只是產生一個按照reducer id排序可索引的文件，這樣，只需獲取有關文件中的相關數據塊的位置信息，并fseek就可以讀取指定reducer的數據。但對于rueducer數比較少的情況，Hash Shuffle明顯要比Sort Shuffle快，因此Sort Shuffle有個“fallback”計劃，對于reducers數少于 “spark.shuffle.sort.bypassMergeThreshold” (200 by default)，我們使用fallback計劃，hashing相關數據到分開的文件，然后合并這些文件為一個，具體實現為BypassMergeSortShuffleWriter。

在map進行排序，在reduce端應用Timsort[1]進行合并。map端是否容許spill，通過spark.shuffle.spill來設置，默認是true。設置為false，如果沒有足夠的內存來存儲map的輸出，那么就會導致OOM錯誤，因此要慎用。

用于存儲map輸出的內存為：“JVM Heap Size” \* spark.shuffle.memoryFraction \* spark.shuffle.safetyFraction，默認為“JVM Heap Size” \* 0.2 \* 0.8 = “JVM Heap Size” \* 0.16。如果你在同一個執行程序中運行多個線程（設定spark.executor.cores/ spark.task.cpus超過1）,每個map任務存儲的空間為“JVM Heap Size” * spark.shuffle.memoryFraction * spark.shuffle.safetyFraction / spark.executor.cores * spark.task.cpus, 默認2個cores，那么為0.08 * “JVM Heap Size”。 spark使用AppendOnlyMap存儲map輸出的數據，利用開源hash函數MurmurHash4和平方探測法把key和value保存在相同的array中。這種保存方法可以是spark進行combine。如果spill為true，會在spill前sort。

Sort Shuffle內存的源碼級別更詳細說明可以參考[4],讀寫過程可以參考[5]

##優點

1. map創建文件量較少

2. 少量的IO隨機操作，大部分是順序讀寫

##缺點

1. 要比Hash Shuffle要慢，需要自己通過spark.shuffle.sort.bypassMergeThreshold來設置合適的值。

2. 如果使用SSD盤存儲shuffle數據，那么Hash Shuffle可能更合適。

“ort shuffle有什么用”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！