本文主要向大家介绍了【云计算】Spark性能优化之SparkTungsten-sortBasedShuffle，通过具体的内容向大家展现，希望对大家学习云计算有所帮助。

一：使用Tungsten功能

1， 如果想让您的程序使用Tungsten的功能，可以配置：

Spark.Shuffle.Manager = tungsten-sort

Spark在钨丝计划下要管理两种类型的内存存储方式：堆内和堆外。为了管理他们，所以搞了一个Page。

堆外：指针直接指向数据本身。

堆内：指针首先指向Object，然后通过偏移量OffSet再具体定位到数据。

2. DataFrame中自动开启了Tungsten功能。

二：Tungsten-sort base Shuffle writer内幕

下图是写入的过程：

Spark Core



输入数据的时候是循环每个Task中处理的数据Partition的结果，循环的时候会查看是否有内存，一个Page写满之后，才会写下一个Page。

如何看内存是否足够？

a） 系统默认情况下给ShuffleMapTask最大准备了多少内存空间？默认情况下是通过ExecutorHeapMemory*0.8*0.2

Spark.shuffle.memoryFraction=0.2

spark.shuffle.safetyFraction=0.8

b） 另外一方面是和Task处理的Partition大小紧密相关。

1.mergeSpills的功能是将很多小文件合并成一个大文件。然后加上index文件索引。

/**

* Merge zero or more spill files together, choosing the fastest merging strategy based on the

* number of spills and the IO compression codec.

*

* @return the partition lengths in the merged file.

*/

private long[] mergeSpills(SpillInfo[] spills, File outputFile) throws IOException {

final boolean compressionEnabled = sparkConf.getBoolean("spark.shuffle.compress", true);

final CompressionCodec = CompressionCodec$.MODULE$.createCodec(sparkConf);

final boolean fastMergeEnabled =

sparkConf.getBoolean("spark.shuffle.unsafe.fastMergeEnabled", true);

final boolean fastMergeIsSupported = !compressionEnabled ||

CompressionCodec$.MODULE$.supportsConcatenationOfSerializedStreams(compressionCodec);

2.和Sort Based Shuffle 过程基本一样。

3.写数据在内存足够大的情况下是写到Page里面，在Page中有一条条的Record，如果内存不够的话会Spill到磁盘中。此过程跟前面讲解Sort base Shuffle writer过程是一样的。

4.基于UnsafeShuffleWriter会有一个类负责将数据写入到Page中。

5.insertRecordIntoSorter: 此方法把records的数据一条一条的写入到输出流。

而输出流是: ByteArrayOutputStream

@VisibleForTesting

void insertRecordIntoSorter(Product2 record) throws IOException {

assert(sorter != null);

final K key = record._1();

//获得Partition的Id

final int partitionId = partitioner.getPartition(key);

serBuffer.reset();

serOutputStream.writeKey(key, OBJECT_CLASS_TAG);

serOutputStream.writeValue(record._2(), OBJECT_CLASS_TAG);

serOutputStream.flush();



final int serializedRecordSize = serBuffer.size();

assert (serializedRecordSize > 0);



sorter.insertRecord(

serBuffer.getBuf(), Platform.BYTE_ARRAY_OFFSET, serializedRecordSize, partitionId);

6.serBuffer实例化,默认大小是1M,也就是输出流的大小默认是1M。

serBuffer = new MyByteArrayOutputStream(1024 * 1024);

三：Tungsten-sort base Shuffle Read内幕

1. 基本上是复用了Hash Shuffle Read.

2. 在Tungsten下获取数据的类叫做BlockStoreShuffleReader,其底层其实是Page。

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标大数据云计算大数据安全频道！