Spark Shuffle之Tungsten Sort Shuf

源文件放在github，随着理解的深入，不断更新，如有谬误之处，欢迎指正。原文链接https://github.com/jacksu/utils4s/blob/master/spark-knowledge/md/tungsten-sort-shuffle.md
正如你所知，spark实现了多种shuffle方法，通过 spark.shuffle.manager来确定。暂时总共有三种：hash shuffle、sort shuffle和tungsten-sort shuffle，从1.2.0开始默认为sort shuffle。本节主要介绍tungsten-sort。spark在1.4以后可以通过（spark.shuffle.manager = tungsten-sort）开启Tungsten-sort shuffle。如果Tungsten-sort 发现自己无法处理，则会自动使用 Sort Based Shuffle进行处理。Tungsten-sort优化点主要有：

• 直接在serialized binary data上操作，不需要反序列化，使用unsafe内存copy函数直接copy数据。

• 提供cache-efficient sorter ShuffleExternalSorter 排序压缩记录指针和partition ids,使用一个8bytes的指针，把排序转化成了一个指针数组的排序。

• spilling的时候不需要反序列化和序列化

• spill的merge过程也无需反序列化即可完成，但需要shuffle.unsafe.fastMergeEnabled的支持

当且仅当下面条件都满足时，才会使用新的Shuffle方式：

• Shuffle dependency 不能带有aggregation 或者输出需要排序

• Shuffle 的序列化器需要是 KryoSerializer 或者 Spark SQL's 自定义的一些序列化方式.* > Shuffle 文件的数量不能大于 16777216

• 序列化时，单条记录不能大于 128 MB

优点

很多性能的优化

缺点

1. 不可以在mapper端排序
2. 不稳定
3. 没有提供off-heap排序缓存

参考

Spark Tungsten-sort Based Shuffle 分析
探索Spark Tungsten的秘密