spark shuffle写操作三部曲之UnsafeShuffleWriter

前言

在前两篇文章 spark shuffle的写操作之准备工作 中引出了spark shuffle的三种实现，spark shuffle写操作三部曲之BypassMergeSortShuffleWriter 讲述了BypassMergeSortShuffleWriter 用于shuffle写操作的具体细节，实现相对比较朴素，实现比较朴素，值得参考和学习。本篇文章，主要剖析了 UnsafeShuffleWriter用作写shuffle数据的具体细节。下面先来看UnsafeShuffleWriter的主要依赖实现类 -- ShuffleExternalSorter。

sort-based shuffle的外部sorter -- ShuffleExternalSorter

在看本小节之前，建议先参照 spark 源码分析之二十二-- Task的内存管理 对任务的内存管理做一下详细的了解，因为ShuffleExternalSorter使用了内存的排序。任务在做大数据量的内存操作时，内存是需要管理的。

在正式剖析之前，先剖析其依赖类。

依赖之记录block元信息-- SpillInfo

它记录了block的一些元数据信息。

其类结构如下：

其中，blockId就是shuffle的临时的blockId，file就是shuffle合并后的文件，partitionLengths表示每一个分区的大小。

依赖之分区排序器 -- ShuffleInMemorySorter

可以在任何内存使用的数组--LongArray

它支持堆内内存和堆外内存，它有四个属性：

数组里的一个元素的地址等于：

if (baseObj  == null) ? baseOffset(is real os address) + (length - 1) * WIDTH : address(baseObj) +  baseOffset(is relative address 0) + (length - 1) * WIDTH

所有元素设为0:

设置元素

其底层使用unsafe类来设置值

获取元素

其底层使用unsafe类来获取值

记录指针地址压缩器 -- PackedRecordPointer

全称：org.apache.spark.shuffle.sort.PackedRecordPointer

成员常量：

压缩记录指针和分区：

获取记录的地址：

获取记录的分区：

自定义比较器--SortComparator

思路也很简单，就是根据分区来排序，即相同分区的数据被排到了一起。

遍历自定义数组的迭代器 -- ShuffleSorterIterator

其定义如下：

其思路很简单，hasNext跟JDK标准库的实现一致，多了一个loadNext，每次都需要把数组中下一个位置的元素放到packetRecordPointer中，然后从packedRecordPointer中取出数据的地址和分区信息。

获取迭代器

获取迭代器的源码如下：

其中 useRadixSort表示是否使用基数排序，默认是使用基数排序的，由参数 spark.shuffle.sort.useRadixSort 配置。

如果不使用基数排序，则会使用Spark的Sorter排序，sorter底层实现是TimSort，TimSort是优化之后的MergeSort。

总之，ShuffleSorterIterator中的数据已经是有序的了，只需要迭代式取出即可。

插入数据到自定义的数组中

思路很简单，插入的数据就是记录的地址和分区数据，这两种数据被PackedRecordPointer压缩编码之后被存入到数组中。

继承关系

其继承关系如下：

即它是MemoryConsumer的子类，其实现了spill方法。

成员变量

其成员变量如下：

DISK_WRITE_BUFFER_SIZE：写到磁盘前的缓冲区大小为1M

numPartitions：reduce的分区数

taskMemoryManager：负责任务的内存管理。看 spark 源码分析之二十二-- Task的内存管理 做进一步了解。

blockManager：Spark存储系统的核心类。看 spark 源码分析之十八 -- Spark存储体系剖析 做进一步了解。

TaskContext：任务执行的上下文对象。

numElementsForSpillThreshold：ShuffleInMemorySorter 数据溢出前的元素阀值。

fileBufferSizeBytes：DiskBlockObjectWriter溢出前的buffer大小。

diskWriteBufferSize：溢出到磁盘前的buffer大小。

allocatedPages：记录分配的内存页。

spills：记录溢出信息

peakMemoryUsedBytes：内存使用峰值。

inMemSorter：内存排序器

currentPage：当前使用内存页

pageCursor：内存页游标，标志在内存页的位置。

构造方法

其构造方法如下：

fileBufferSizeBytes：通过参数 spark.shuffle.file.buffer 来配置，默认为 32k

numElementsForSpillThreshold：通过参数spark.shuffle.spill.numElementsForceSpillThreshold来配置，默认是整数的最大值。

diskWriteBufferSize：通过 spark.shuffle.spill.diskWriteBufferSize 来配置，默认为 1M

核心方法

主要方法如下：

我们主要分析其主要方法。

溢出操作

其源码如下：

思路很简单，调用writeSortedFile将数据写入到文件中，释放内存，重置inMemSorter。

freeMemory方法如下：

writeSortedFile 源码如下：

图中，我大致把步骤划分为四部分。核心步骤是第3步。

整体思路：遍历sorter中的所有分区数据，最终同一分区的数据被写入到同一个FileSegment中，这些FileSegment最终又构成了一个合并的文件，其中FileSegment的大小被存放在SpillInfo中，最后放到了spills集合中。

插入记录

其源码如下：

注意：它在插入数据之前，offset做了字节对齐，如果系统支持对齐，则向后错4位，否则向后错8位。这跟溢出操作里取数据是对应的，即可以跟上文中 writeSortedFile 方法对比看。

org.apache.spark.shuffle.sort.ShuffleExternalSorter#growPointerArrayIfNecessary源码如下：

解释：首先hasSpaceForAnotherRecord会比较数组中下一个写的索引位置跟数组的最大容量比较，如果索引位置大于最大容量，那么就没有空间来存放下一个记录了，则需要把扩容，used是指的数组现在使用的大小，扩容倍数为源数组的一倍。

org.apache.spark.shuffle.sort.ShuffleExternalSorter#acquireNewPageIfNecessary 源码如下：

解释：分配内存页的条件是当前页的游标 + 需要的页大小 大于当前页的最大容量，则需要重新分配一个内存页。

关闭并且获取spill信息

其源码如下：

思路：执行最后一次溢出，然后将数据溢出信息返回。

清理资源

思路：释放内存排序器的内存，删除溢出的临时文件。

获取内存使用峰值

源码如下：

思路：当前使用内存大于最大峰值则更新最大峰值，否则直接返回。

总结

这个sorter内部集成的内存sorter会把同一分区的数据排序到一起，数据溢出时，相同分区的数据会聚集到溢出文件的一个segment中。

使用UnsafeShuffleWriter写数据

先上源码，后解释：

思路：流程很简单，将所有的数据逐一遍历放入sorter，然后将sorter关闭，获取输出文件，结束。

下面我们具体来看每一步是具体怎么实现的：

初始化Sorter

在org.apache.spark.shuffle.sort.UnsafeShuffleWriter的构造方法源码如下：

简单做一下说明：

DEFAULT_INITIAL_SORT_BUFFER_SIZE为 4096

DEFAULT_INITIAL_SER_BUFFER_SIZE 大小为 1M

reduce 分区数量最大为 16777216

SHUFFLE_FILE_BUFFER_SIZE默认为32k，大小由参数 spark.shuffle.file.buffer 配置。

SHUFFLE_UNSAFE_FILE_OUTPUT_BUFFER_SIZE 默认大小为32k，大小由参数 spark.shuffle.unsafe.file.output.buffer 配置。

其open方法如下：

这个方法里涉及了三个类：ShuffleExternalSorter，MyByteArrayOutputStream以及SerializationStream三个类。ShuffleExternalSorter在上文已经剖析过了，MyByteArrayOutputStream是一个ByteArrayOutputStream子类负责想堆内内存中写数据，SerializationStream是一个序列化之后的流，数据最终会被写入到serBuffer内存流中，调用其flush方法后，其内部的buf就是写入的数据，如下：

数据写入概述

核心方法write源码如下：

其主要有两步，一步是遍历每一条记录，将数据写入到sorter中；第二步是关闭sorter，并将数据写入到一个shuffle 文件中同时更新shuffle索引信息；最后清除shuffle过程中sorter使用的资源。

先来看第一步：数据写入到sorter中。

数据插入到Sorter

记录中的键值被序列化到serBuffer的buf字节数组中，然后被写入到 sorter（ShuffleExternalSorter）中。在sorter中序列化数据被写入到内存中（内存不足会溢出到磁盘中），其地址信息被写入到 ShuffleInMemorySorter 中，具体可以看上文介绍。

溢出文件归并为一个文件

一步是遍历每一条记录，将数据写入到sorter中后会调用sorter的closeAndGetSpills方法执行最后一次spill操作，然后获取到整个shuffle过程中所有的SpillInfo信息。然后使用ShuffleBlockResolver获取到shuffle的blockId对应的shuffle文件，最终调用mergeSpills 方法合并所有的溢出文件到最终的shuffle文件，然后更新shuffle索引文件，设置Shuffle结果的MapStatus信息，结束。

org.apache.spark.shuffle.sort.UnsafeShuffleWriter#closeAndWriteOutput 源码如下：

其关键方法 org.apache.spark.shuffle.sort.UnsafeShuffleWriter#mergeSpills 源码如下：

如果溢出文件为0，直接返回全是0的分区数组。

如果溢出文件为1，文件重命名后返回只有一个元素的分区数组。

如果溢出文件多于1个则，多个溢出文件开始merge。

首先先看一下五个变量：

encryptionEnabled：是否启用加密，默认为false，通过 spark.io.encryption.enabled 参数来设置。

transferToEnabled：是否可以使用nio的transferTo传输，默认为true，通过 spark.file.transferTo 参数来设置。

compressionEnabled：是否使用压缩，默认为true，通过 spark.shuffle.compress 参数来设置。

compressionCodec：默认压缩类，默认为LZ4CompressionCodec，通过 spark.io.compression.codec 参数来设置。

fastMergeEnabled：是否启用fast merge，默认为true，通过 spark.shuffle.unsafe.fastMergeEnabled 参数来设置。

fastMergeIsSupported：是否支持 fast merge，如果不使用压缩或者是压缩算法是 org.apache.spark.io.SnappyCompressionCodec、org.apache.spark.io.LZFCompressionCodec、org.apache.spark.io.LZ4CompressionCodec、org.apache.spark.io.ZStdCompressionCodec这四种支持连接的压缩算法中的一种都是可以使用 fast merge的。

三种merge多个文件的方式：transfered-based fast merge、fileStream-based fast merge以及slow merge三种方式。

使用transfered-based fast merge条件：使用 fast merge并且压缩算法支持fast merge，并且启用了nio的transferTo传输且不启用文件加密。

使用fileStream-based fast merge条件：使用 fast merge并且压缩算法支持fast merge，并且未启用nio的transferTo传输或启用了文件加密。

使用slow merge条件：未使用 fast merge或压缩算法不支持fast merge。

下面我们来看三种合并溢出的方式。

transfered-based fast merge

其核心方法org.apache.spark.shuffle.sort.UnsafeShuffleWriter#mergeSpillsWithTransferTo 源码如下：

其依赖方法 org.apache.spark.util.Utils#copyFileStreamNIO 如下：

很简单，底层依赖于Java的NIO的transferTo方法实现。

fileStream-based fast merge

其核心方法 org.apache.spark.shuffle.sort.UnsafeShuffleWriter#mergeSpillsWithFileStream 源码如下，这里不传入任何压缩类，见 org.apache.spark.shuffle.sort.UnsafeShuffleWriter#mergeSpills 源码。

slow merge

其其核心方法 org.apache.spark.shuffle.sort.UnsafeShuffleWriter#mergeSpillsWithFileStream 源码跟 fileStream-based fast merge 里的一样，不做过多解释，只不过这里多传入了一个压缩类，见  org.apache.spark.shuffle.sort.UnsafeShuffleWriter#mergeSpills 源码。

更新shuffle索引

这部分更详细的可以看 org.apache.spark.shuffle.IndexShuffleBlockResolver#writeIndexFileAndCommit 源码。在上篇文章 spark shuffle写操作三部曲之BypassMergeSortShuffleWriter 中使用BypassMergeSortShuffleWriter写数据已经剖析过，不再剖析。

总结

ShuffleExternalSorter将数据不断溢出到溢出小文件中，溢出文件内的数据是按分区规则排序的，分区内的数据是乱序的。

多个分区的数据同时溢出到一个溢出文件，最后使用三种归并方式将多个溢出文件归并到一个文件，分区内的数据是乱序的。最终数据的格式跟第一种shuffle写操作的结果是一样的，即有分区的shuffle数据文件和记录分区大小的shuffle索引文件。