Spark2.x精通:ShuffleReader过程源码深度剖析

一、概述

    之前我们写了几篇文章详细讲解了Spark Shuffle的Writer原理、技术演进历程及Spark2.x中三种Writer机制的具体实现,这里我们对Shuffler Read的源码进行深度剖析。

    对于每个stage来说,它的上边界,要么从外部存储读取数据,要么读取parent stage的输出。而下边界要么是写入到本地文件系统(需要有shuffle),提供给child stage进行读取,要么就是最后一个stage,需要输出结果。这里的stage在运行时就可以以流水线的方式进行运行一组Task,除了最后一个stage对应的ResultTask,其余的stage全部对应的ShuffleMapTask。

  除了需要从外部存储读取数据和RDD已经做过cache或者checkPoint的Task。一般的Task都是从Shuffle RDD的ShuffleRead开始的。

二、源码剖析

 1.我们先从ResultTask的runtask()函数开始讲解,代码如下:

override def runTask(context: TaskContext): U = {

2.这里ShuffleRDD.compute()函数从sparkEnv中获取对应的shuffleManager,这里对应的是SortShuffleManager,代码如下:

  override def compute(split: Partition, context: TaskContext): Iterator[(K, C)] = {

调用getReader函数返回的应该是BlockStoreShuffleReader实例,代码如下:

  override def getReader[K, C](

3.最后调用BlockStoreShuffleReader的read()函数对数据进行读取,代码如下:

 override def read(): Iterator[Product2[K, C]] = {

4.回到上面第1中的ShuffleBlockFetcherIterator初始化,由于这个涉及到数据的拉取,比较重要,再去跟踪下他的实例化代码,里面主要是调用了initialize()函数进行了初始化,代码如下:

private[this] def initialize(): Unit = {

 

    总结一下,上面的read()函数里面的实现代码比较多,这里只看了重要的流程代码,它主要干了三件事:

    1.首先实例化ShuffleBlockFetcherIterator并进行数据的拉取;

    2.其次就是对数据进行了聚合,生成聚合迭代器;

    3.最后对数据进行了排序,生成排序迭代器。

ShuffleBlockFetcherIterator上面也说了几个参数,但是有一个参数特别重要参数,经常会用来优化shuffle reader:

    spark.reducer.maxSizeInFlight

         默认值48MB,设置ShuffleReadTask拉取数据的缓冲区大小,决定每次能够拉取多少数据。如果你内存充足,可适当调大成64MB、96MB减少拉取次数和数据传输次数,如果内存不太多,可适当调小为24MB,防止OOM,减少每次拉取的数据。

如果觉得我的文章能帮到您,请关注微信公众号“大数据开发运维架构”,并转发朋友圈,谢谢支持!!!


相关阅读:

  1. Spark2.x精通:TaskRunner运行源码深度剖析

  2. Spark2.x精通:Shuffle原理及对应的Consolidation优化机制

  3. Spark2.x精通:三种ShuffleWriter触发条件

  4. Spark2.x精通:Shuffle演进历程及Shuffle两阶段划分

  5. Spark2.x精通:源码剖析BypassMergeSortShuffleWriter具体实现

  6. Spark2.x精通:源码剖析UnsafeShuffleWriter具体实现

  7. Spark2.x精通:源码剖析SortShuffleWriter具体实现

本文分享自微信公众号 - 大数据开发运维架构(JasonLu1986)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

评论

暂无评论