八、混洗

1. spark 中的某些操作会触发shuffle

2. shuffle 是spark 重新分配数据的一种机制，它使得这些数据可以跨不同区域进行分组

   • 这通常涉及到在executor 和驱动器程序之间拷贝数据，使得shuffle 成为一个复杂的、代价高昂的操作

3. 在spark 里，特定的操作需要数据不会跨分区分布。如果跨分区分别，则需要混洗。

   以reduceByKey 操作的过程为例。一个面临的挑战是：一个key 的所有值不一定在同一个分区里，甚至不一定在同一台机器里。但是它们必须共同被计算。

   为了所有数据都在单个reduceByKey 的 reduce 任务上运行，我们需要执行一个all-to-all 操作：它必须从所有分区读取所有的key 和key 对应的所有的值，并且跨分区聚集取计算每个key 的结果。 这个过程叫做shuffle。

4. 触发混洗的操作包括：

   • 重分区操作，如repartition、coalesce 等等
   • ByKey 操作（除了countint 之外），如groupByKey、reduceByKey 等等
   • join操作，如cogroup、join 等等

5. 混洗是一个代价比较高的操作，它涉及到磁盘IO，数据序列化，网络IO

   • 为了准备混洗操作的数据，spark 启动了一系列的任务：map 任务组织数据，reduce 完成数据的聚合。

     这些术语来自于MapReduce，与spark 的 map,reduce 操作没有关系

     • map 任务的所有结果数据会保存在内存，直到内存不能完全存储为止。然后这些数据将基于目标分区进行排序，并写入到一个单独的文件中
     • reduce 任务将读取相关的已排序的数据块

   • 某些混洗操作会大量消耗堆内存空间，因为混洗操作在数据转换前后，需要使用内存中的数据结构对数据进行组织

   • 混洗操作还会在磁盘上生成大量的中间文件。

     • 这么做的好处是：如果spark 需要重新计算RDD的血统关系时，混洗操作产生的这些中间文件不需要重新创建

​