【spark面试】spark的shuffle过程
概述
所有的shuffle的过程本质上就是一个task将内存中的数据写入磁盘，然后另一个task将磁盘中的数据读入内存的过程。
对于mapreduce来说，我们将内存中的数据写入磁盘成为maptask，将磁盘中的数据读入内存称为reducetask。
而对于spark来说，有的算子的执行会同时会进行写入和读出，这就是shuffle算子，shuffle算子都是转换算子。
面试题1：什么是触发算子，什么是转换算子，什么是shuffle算子
触发算子：
take，count，saveAsTextFile，foreach，foreachpartition，min，max，mean，top，takeOrdered，collect，first，reduce。
转换算子：
filter，map，mapPartitions，flatMap，union，distict，mapValues，keys，values，sortBy，sortByKey，reduceByKey，groupBykey，repartition，coalesce，join类（join，fullOuterJoin，leftOuterJoin，rightOuterJoin）
shuflle算子：
flatMap，distinct，sortBy，sortByKey，reduceByKey，groupByKey，join类（join，fullOuterJoin，leftOuterJoin，rightOuterJoin），repartition，coalesce（根据情况）
spark中的shuffle
1）Hash Based Shuffle
特点：没有排序，只分区，每个Task按照ReduceTask个数生成多个文件【M * R】
优点：简单，数据量比较小，性能就比较高
缺点：小文件非常多，数据量比较大性能非常差2）Hash Based Shuffle 【优化后的，File Consolidation机制】
两个Executor ，4个ReduceTask，那就是 2 * 4 = 8
进步在哪里？进度在于如果是以前 4 个 map 4 个 reduce 形成 16 个文件，现在引入 executor 以后，生成 8 个文件。3）Sort Based Shuffle [目前最新的]
对于这种shuffle来说，需要将写和读分开展示
Shuffle Write
第一种：SortShuffleWriter：普通Sort Shuffle Write机制
与MR的Map端Shuffle基本一致
生成一个整体基于分区和分区内部有序的文件和一个索引文件
特点：有排序，先生成多个有序小文件，再生成整体有序大文件，每个Task生成2个文件，数据文件和索引文件第二种：BypassMergeSortShuffleWriter
类似于优化后的Hash Based Shuffle
先为每个分区生成一个文件，最后合并为一个大文件，分区内部不排序
跟第一个相比，处理的数据量小，处理的分区数小于200 ，不在内存中排序。
场景：数据量小第三种：UnsafeShuffleWriter
Partition个数不能超过2^24-1个（大于200用这个）
场景：数据量大Shuffle Read
只有一种
类似于MapReduce中的Reduce端shuffle
MR：Reduce端的shuffle过程一定会经过合并排序、分组