Hadoop和Spark的Shuffle过程区别（二）

Spark shuffle相对来说更简单，因为不要求全局有序，所以没有那么多排序合并的操作。Spark shuffle分为write和read两个过程。我们先来看shuffle write。
一、shuffle write

shuffle write的处理逻辑会放到该ShuffleMapStage的最后（因为spark以shuffle发生与否来划分stage，也就是宽依赖），final RDD的每一条记录都会写到对应的分区缓存区bucket，如下图所示：

说明：

1、上图有2个CPU，可以同时运行两个ShuffleMapTask

2、每个task将写一个buket缓冲区，缓冲区的数量和reduce任务的数量相等

3、每个buket缓冲区会生成一个对应ShuffleBlockFile

4、ShuffleMapTask 如何决定数据被写到哪个缓冲区呢？这个就是跟partition算法有关系，这个分区算法可以是hash的，也可以是range的

5、最终产生的ShuffleBlockFile会有多少呢？就是ShuffleMapTask 数量乘以reduce的数量，这个是非常巨大的

那么有没有办法解决生成文件过多的问题呢？有，开启FileConsolidation即可，开启FileConsolidation之后的shuffle过程如下：

在同一核CPU执行先后执行的ShuffleMapTask可以共用一个bucket缓冲区，然后写到同一份ShuffleFile里去，上图所示的ShuffleFile实际上是用多个ShuffleBlock构成，那么，那么每个worker

最终生成的文件数量，变成了cpu核数乘以reduce任务的数量，大大缩减了文件量。

二、Shuffle read

Shuffle write过程将数据分片写到对应的分片文件，这时候万事具备，只差去拉取对应的数据过来计算了。

那么Shuffle Read发送的时机是什么？是要等所有ShuffleMapTask执行完，再去fetch数据吗？理论上，只要有一个 ShuffleMapTask执行完，就可以开始fetch数据了，实际上，spark必须等

到父stage执行完，才能执行子stage，所以，必须等到所有 ShuffleMapTask执行完毕，才去fetch数据。fetch过来的数据，先存入一个Buffer缓冲区，所以这里一次性fetch的FileSegment不能

太大，当然如果fetch过来的数据大于每一个阀值，也是会spill到磁盘的。

fetch的过程过来一个buffer的数据，就可以开始聚合了，这里就遇到一个问题，每次fetch部分数据，怎么能实现全局聚合呢？以word count的reduceByKey（《Spark RDD操作之ReduceByKey 》）

为例，假设单词hello有十个，但是一次fetch只拉取了2个，那么怎么全局聚合呢？Spark的做法是用HashMap，聚合操作实际上是map.put(key,map.get(key)+1)，将map中的聚合过的数据get出来相加，然

后put回去，等到所有数据fetch完，也就完成了全局聚合。

三、总结

Hadoop的MapReduce Shuffle和Spark Shuffle差别总结如下：

1、Hadoop的有一个Map完成，Reduce便可以去fetch数据了，不必等到所有Map任务完成，而Spark的必须等到父stage完成，也就是父stage的map操作全部完成才能去fetch数据。

2、Hadoop的Shuffle是sort-base的，那么不管是Map的输出，还是Reduce的输出，都是partion内有序的，而spark不要求这一点。

3、Hadoop的Reduce要等到fetch完全部数据，才将数据传入reduce函数进行聚合，而spark是一边fetch一边聚合。