Spark中的shuffle过程详细
一、Spark中哪些算子会产生Shuffle
全局分组：reduceByKey，groupByKey
全局排序：sortBy，sortByKey
增大分区:repartition,coalese
groupByKey sortByKey sortBy reduceByKey repartition
coalesce(根据情况) join / fullOuterJoin / leftOuterJoin / rightOuterJoin
二、Spark中有哪些shuffle分类
Hash Based Shuffle （老的） Sort Based Shuffle 新的shuffle工具中包含Tungsten-Sort Based Shuffle
1、Hash Based Shuffle
没有排序，只有分区，每个Task按照ReduceTask个数生成【M*R】，简单数据量比较小，性能就比较高，但是：小文件非常多，数据量比较大性能非常差
2、Hash Based Shuffle 优化后，File Consolidation机制
没有排序，只有分区，每个Executor按照ReducTask个数生成多个文件：Executor*R
3、Sort Based Shuffle 目前是最新的
分为两个
Shuffle Write：类似于mr中map端的shuffle，但是Spark的Shuffle Write有3种，会根据情况自动判断选择哪种Shuffle Write
Shuffle Read：类似与mr种的reduce端shuffle，但是Spark的Shuffle Read功能由算子决定，不同算子经过的过程不一样
SortShuffleWrite：普通 Sort Shuffle Write
排序，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，有序排序，先生成多个小文件，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，Sort Shuffle Write过程与MapReduce的Map端shuffle基本一致
BypassMergeSortShuffleWriter：
类似与序列化后的Hash Based Shuffle，先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，分区数小于200，并且没有map端的聚合操作，适用于数据量小的数据，不在内存中排序
UnsafeShuffleWriter
钨丝计划方案，使用UnSafe API操作序列化数据，使用压缩指针存储元数据，溢写合并使用fastMerge提升效率，Map端没有聚合操作、序列化方式需要支持重定位，Partition个数不能超过2^24-1个
什么时候下使用ShuffleWriter
ShuffleWriter的实现方式
BypassMergeSortShuffleWriter
使用这种shuffle writer的条件是，没有map端的聚合操作，分区数小于参数：spark.shuffle.sort.bypassMergeThreshold，默认是200
UnsafeShuffleWriter
使用这种shuffle writer的条件是，序列化工具类支持对象的重定位，不需要在map端进行聚合操作，分区数不能大于：PackedRecordPointer.MAXIMUM_PARTITION_ID + 1
SortShuffleWriter
若以上两种shuffle writer都不能选择，则使用该shuffle writer类。
这也是相对比较常用的一种shuffle writer。
Shuffle Read：类似于MapReduce中的Reduce端shuffle
Reduce端的shuffle过程一定会经过合并排序、分组，不需要排序，依旧会给结果进行排序