【Spark调优】Shuffle原理理解与参数调优

【生产实践经验】

　　生产实践中的切身体会是：影响Spark性能的大BOSS就是shuffle，抓住并解决shuffle这个主要原因，事半功倍。

【Shuffle原理学习笔记】

　　1.未经优化的HashShuffleManager

注：这是spark1.2版本之前，最早使用的shuffle方法，这种shuffle方法不要使用，只是用来对比改进后的shuffle方法。

如上图，上游每个task 都输出下游task个数的结果文件，下游每个task去上游task输出的结果文件中获取对应自己的。

问题：

生成文件个数过多，生成和传输上游task数量 * 下游task数量个文件。

对应目前spark的参数：

spark.shuffle.manager=hash

spark.shuffle.consolidateFiles=false

　　2.经过优化以后的HashShufferManager

注：不排序的shuffle推荐使用。

如上图，上游1个Executor所有task顺序输出下游task个数的结果文件，下游每个task去上游task输出的结果文件中获取对应自己的。

减少了中间文件输出，生成和传输 上游executor_num * 下游task数量个文件。

对应目前spark的参数：

spark.shuffle.manager=hash

spark.shuffle.consolidateFiles=true

　　3.1 shuffle且有排序需要的SortShuffleManager---普通运行机制

注：排序的shuffle推荐使用。

如上图，内存结构达到一定阈值时落盘，落盘前在内存中先排序，分批落盘，每批1万个，最后合并汇总生成成 1个文件+索引文件。

减少了中间文件输出，生成和传输 上游task个数个文件。

对应目前spark的参数：

spark.shuffle.manager=sort

spark.shuffle.sort.bypassMergeThreshold，默认值200。如果该值配置较小，<= Shuffle read task数量，spark使用该模式

　　3.2 shuffle但没有排序需要的SortShuffleManager---byPass机制

如上图，内存结构达到一定阈值时分批落盘，每批1万个，最后合并汇总生成成 1个文件+索引文件。

减少了中间文件输出，只生成 上游task个数个文件。

ByPass机制与普通运行模式对比，差别是不排序了，减少了性能损耗。

对应目前spark的参数：

spark.shuffle.manager=sort

spark.shuffle.sort.bypassMergeThreshold，默认值200。如果该值配置较大，> Shuffle read task数量，spark使用该模式

　　【shuffle相关参数调优】

spark.shuffle.file.buffer

· 默认值：32KB

· 参数说明：该参数用于设置shuffle write task的BufferedOutputStream的buffer缓冲大小。将数据写到磁盘文件之前，会先写入buffer缓冲中，待缓冲写满之后，才会溢写到磁盘。

· 调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（例如64KB），从而减少shuffle write过程中溢写磁盘文件的次数，也就可以减少磁盘IO次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

spark.reducer.maxSizeInFlight

· 默认值：48MB

· 参数说明：该参数用于设置shuffle read task的buffer缓冲大小，而这个buffer缓冲决定了下游task每次能够从上游task生成的结果文件拉取多少数据。

· 调优建议：如果作业可用的内存资源较为充足的话，可以适当增加这个参数的大小（比如96MB），从而减少拉取数据的次数，也就可以减少网络传输的次数，进而提升性能。在实践中发现，合理调节该参数，性能会有1%~5%的提升。

spark.shuffle.io.maxRetries

· 默认值：3

· 参数说明：shuffle read task从shuffle write task所在节点拉取属于自己的数据时，如果因为网络异常导致拉取失败，是会自动进行重试的。该参数就代表了可以重试的最大次数。如果在指定次数之内拉取还是没有成功，就可能会导致作业执行失败。

· 调优建议：对于那些包含了特别耗时的shuffle操作的作业，建议增加重试最大次数（比如50次），以避免由于JVM的full gc或者网络不稳定等因素导致的数据拉取失败。在实践中发现，对于针对超大数据量（数十亿~上百亿）的shuffle过程，调节该参数可以大幅度提升稳定性。

spark.shuffle.io.retryWait

· 默认值：5秒

· 参数说明：具体解释同上，该参数代表了每次重试拉取数据的等待间隔，默认是5s。

· 调优建议：建议加大间隔时长（比如60秒），以增加shuffle操作的稳定性。

spark.memory.useLegacyMode=true(使用spark1.6版本之前配置模式) 、spark.shuffle.memoryFraction

推荐及默认使用spark.memory.useLegacyMode=false(使用spark1.6及之后版本配置模式) 、spark.memory.fraction + spark.memory.storageFraction

·· 参数说明：该参数代表了Executor内存中，分配给shuffle read task进行聚合操作的内存比例，默认是20%。

· 调优建议：如果内存充足，而且很少使用持久化操作，建议调高这个比例，给shuffle read的聚合操作更多内存，以避免由于内存不足导致聚合过程中频繁读写磁盘。在实践中发现，合理调节该参数可以将性能提升10%左右。

　　上述这个内存参数配置，详见我的另外一篇博文【Spark调优】内存模型与参数调优。

如下几个配置参数，上面已说明过。

spark.shuffle.manager

· 默认值：sort

· 参数说明：该参数用于设置ShuffleManager的类型。Spark 1.5以后，有三个可选项：hash、sort和tungsten-sort。HashShuffleManager是Spark 1.2以前的默认选项，但是Spark 1.2以及之后的版本默认都是SortShuffleManager了。tungsten-sort与sort类似，但是使用了tungsten计划中的堆外内存管理机制，内存使用效率更高。

· 调优建议：由于SortShuffleManager默认会对数据进行排序，因此如果业务逻辑中需要该排序机制的话，则使用默认的SortShuffleManager就可以；而如果业务逻辑不需要对数据进行排序，那么建议参考后面的几个参数调优，通过bypass机制或优化的HashShuffleManager来避免排序操作，同时提供较好的磁盘读写性能。tungsten-sort可能有坑，未使用过。

spark.shuffle.sort.bypassMergeThreshold

· 默认值：200

· 参数说明：当ShuffleManager为SortShuffleManager时，如果shuffle read task的数量小于这个阈值（默认是200），则shuffle write过程中不会进行排序操作，而是直接按照未经优化的HashShuffleManager的方式去写数据，但是最后会将每个task产生的所有临时磁盘文件都合并成一个文件，并会创建单独的索引文件。

· 调优建议：当使用SortShuffleManager时，如果的确不需要排序操作，那么建议将这个参数调大一些，大于shuffle read task的数量。那么此时就会自动启用bypass机制，map-side就不会进行排序了，减少了排序的性能开销。但是这种方式下，依然会产生大量的磁盘文件，因此shuffle write性能有待提高。

spark.shuffle.consolidateFiles

· 默认值：false

· 参数说明：如果使用HashShuffleManager，该参数有效。如果设置为true，那么就会开启consolidate机制，会大幅度合并shuffle write的输出文件，对于shuffle read task数量特别多的情况下，这种方法可以极大地减少磁盘IO开销，提升性能。

· 调优建议：如果的确不需要SortShuffleManager的排序机制，那么除了使用bypass机制，还可以尝试将spark.shffle.manager参数手动指定为hash，使用HashShuffleManager，同时开启consolidate机制。在实践中尝试过，发现其性能比开启了bypass机制的SortShuffleManager要高出10%~30%。