大数据开发：剖析Hadoop和Spark的Shuffle过程差异

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。

【编辑推荐】

1. Hadoop大数据通用处理平台
2. 从HDFS和MapReduce两方面了解Hadoop
3. 分享一些容易被忽视的Hadoop面试题及答案
4. 大数据生态系统入门必看：Pig、Hive、Hadoop、Storm等白话诠释
5. 大规模集群下的Hadoop NameNode

（编辑：晋中站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!