騰訊大數(shù)據(jù)之TDW計算引擎解析――Shuffle

騰訊分布式數(shù)據(jù)倉庫（Tencent distributed Data Warehouse, 簡稱TDW）基于開源軟件Hadoop和Hive進行構建，并且根據(jù)公司數(shù)據(jù)量大、計算復雜等特定情況進行了大量優(yōu)化和改造，目前單集群最大規(guī)模達到5600臺，每日作業(yè)數(shù)達到100多萬，已經(jīng)成為公司最大的離線數(shù)據(jù)處理平臺。為了滿足用戶更加多樣的計算需求，TDW也在向實時化方向發(fā)展，為用戶提供更加高效、穩(wěn)定、豐富的服務。

TDW計算引擎包括兩部分：一個是偏離線的MapReduce，一個是偏實時的Spark，兩者內(nèi)部都包含了一個重要的過程――Shuffle。本文對Shuffle過程進行解析，并對兩個計算引擎的Shuffle過程進行比較，對后續(xù)的優(yōu)化方向進行思考和探索，期待經(jīng)過我們不斷的努力，TDW計算引擎運行地更好。

Shuffle過程介紹

MapReduce的Shuffle過程介紹

Shuffle的本義是洗牌、混洗，把一組有一定規(guī)則的數(shù)據(jù)盡量轉換成一組無規(guī)則的數(shù)據(jù)，越隨機越好。MapReduce中的Shuffle更像是洗牌的逆過程，把一組無規(guī)則的數(shù)據(jù)盡量轉換成一組具有一定規(guī)則的數(shù)據(jù)。

為什么MapReduce計算模型需要Shuffle過程？我們都知道MapReduce計算模型一般包括兩個重要的階段：Map是映射，負責數(shù)據(jù)的過濾分發(fā)；Reduce是規(guī)約，負責數(shù)據(jù)的計算歸并。Reduce的數(shù)據(jù)來源于Map，Map的輸出即是Reduce的輸入，Reduce需要通過Shuffle來獲取數(shù)據(jù)。

從Map輸出到Reduce輸入的整個過程可以廣義地稱為Shuffle。Shuffle橫跨Map端和Reduce端，在Map端包括Spill過程，在Reduce端包括copy和sort過程，如圖所示：

Spill過程

Spill過程包括輸出、排序、溢寫、合并等步驟，如圖所示：

Collect

每個Map任務不斷地以<key, value>對的形式把數(shù)據(jù)輸出到在內(nèi)存中構造的一個環(huán)形數(shù)據(jù)結構中。使用環(huán)形數(shù)據(jù)結構是為了更有效地使用內(nèi)存空間，在內(nèi)存中放置盡可能多的數(shù)據(jù)。

這個數(shù)據(jù)結構其實就是個字節(jié)數(shù)組，叫Kvbuffer，名如其義，但是這里面不光放置了<key, value>數(shù)據(jù)，還放置了一些索引數(shù)據(jù)，給放置索引數(shù)據(jù)的區(qū)域起了一個Kvmeta的別名，在Kvbuffer的一塊區(qū)域上穿了一個IntBuffer（字節(jié)序采用的是平臺自身的字節(jié)序）的馬甲。<key, value>數(shù)據(jù)區(qū)域和索引數(shù)據(jù)區(qū)域在Kvbuffer中是相鄰不重疊的兩個區(qū)域，用一個分界點來劃分兩者，分界點不是亙古不變的，而是每次Spill之后都會更新一次。初始的分界點是0，<key, value>數(shù)據(jù)的存儲方向是向上增長，索引數(shù)據(jù)的存儲方向是向下增長，如圖所示：

Kvbuffer的存放指針bufindex是一直悶著頭地向上增長，比如bufindex初始值為0，一個Int型的key寫完之后，bufindex增長為4，一個Int型的value寫完之后，bufindex增長為8。

索引是對<key, value>在kvbuffer中的索引，是個四元組，包括：value的起始位置、key的起始位置、partition值、value的長度，占用四個Int長度，Kvmeta的存放指針Kvindex每次都是向下跳四個“格子”，然后再向上一個格子一個格子地填充四元組的數(shù)據(jù)。比如Kvindex初始位置是-4，當?shù)谝粋€<key, value>寫完之后，(Kvindex+0)的位置存放value的起始位置、(Kvindex+1)的位置存放key的起始位置、(Kvindex+2)的位置存放partition的值、(Kvindex+3)的位置存放value的長度，然后Kvindex跳到-8位置，等第二個<key, value>和索引寫完之后，Kvindex跳到-32位置。

Kvbuffer的大小雖然可以通過參數(shù)設置，但是總共就那么大，<key, value>和索引不斷地增加，加著加著，Kvbuffer總有不夠用的那天，那怎么辦？把數(shù)據(jù)從內(nèi)存刷到磁盤上再接著往內(nèi)存寫數(shù)據(jù)，把Kvbuffer中的數(shù)據(jù)刷到磁盤上的過程就叫Spill，多么明了的叫法，內(nèi)存中的數(shù)據(jù)滿了就自動地spill到具有更大空間的磁盤。

關于Spill觸發(fā)的條件，也就是Kvbuffer用到什么程度開始Spill，還是要講究一下的。如果把Kvbuffer用得死死得，一點縫都不剩的時候再開始Spill，那Map任務就需要等Spill完成騰出空間之后才能繼續(xù)寫數(shù)據(jù)；如果Kvbuffer只是滿到一定程度，比如80%的時候就開始Spill，那在Spill的同時，Map任務還能繼續(xù)寫數(shù)據(jù)，如果Spill夠快，Map可能都不需要為空閑空間而發(fā)愁。兩利相衡取其大，一般選擇后者。

Spill這個重要的過程是由Spill線程承擔，Spill線程從Map任務接到“命令”之后就開始正式干活，干的活叫SortAndSpill，原來不僅僅是Spill，在Spill之前還有個頗具爭議性的Sort。

Sort

先把Kvbuffer中的數(shù)據(jù)按照partition值和key兩個關鍵字升序排序，移動的只是索引數(shù)據(jù)，排序結果是Kvmeta中數(shù)據(jù)按照partition為單位聚集在一起，同一partition內(nèi)的按照key有序。

Spill

Spill線程為這次Spill過程創(chuàng)建一個磁盤文件：從所有的本地目錄中輪訓查找能存儲這么大空間的目錄，找到之后在其中創(chuàng)建一個類似于“spill12.out”的文件。Spill線程根據(jù)排過序的Kvmeta挨個partition的把<key, value>數(shù)據(jù)吐到這個文件中，一個partition對應的數(shù)據(jù)吐完之后順序地吐下個partition，直到把所有的partition遍歷完。一個partition在文件中對應的數(shù)據(jù)也叫段(segment)。

所有的partition對應的數(shù)據(jù)都放在這個文件里，雖然是順序存放的，但是怎么直接知道某個partition在這個文件中存放的起始位置呢？強大的索引又出場了。有一個三元組記錄某個partition對應的數(shù)據(jù)在這個文件中的索引：起始位置、原始數(shù)據(jù)長度、壓縮之后的數(shù)據(jù)長度，一個partition對應一個三元組。然后把這些索引信息存放在內(nèi)存中，如果內(nèi)存中放不下了，后續(xù)的索引信息就需要寫到磁盤文件中了：從所有的本地目錄中輪訓查找能存儲這么大空間的目錄，找到之后在其中創(chuàng)建一個類似于“spill12.out.index”的文件，文件中不光存儲了索引數(shù)據(jù)，還存儲了crc32的校驗數(shù)據(jù)。(spill12.out.index不一定在磁盤上創(chuàng)建，如果內(nèi)存（默認1M空間）中能放得下就放在內(nèi)存中，即使在磁盤上創(chuàng)建了，和spill12.out文件也不一定在同一個目錄下。)

每一次Spill過程就會最少生成一個out文件，有時還會生成index文件，Spill的次數(shù)也烙印在文件名中。索引文件和數(shù)據(jù)文件的對應關系如下圖所示：

話分兩端，在Spill線程如火如荼的進行SortAndSpill工作的同時，Map任務不會因此而停歇，而是一無既往地進行著數(shù)據(jù)輸出。Map還是把數(shù)據(jù)寫到kvbuffer中，那問題就來了：<key, value>只顧著悶頭按照bufindex指針向上增長，kvmeta只顧著按照Kvindex向下增長，是保持指針起始位置不變繼續(xù)跑呢，還是另謀它路？如果保持指針起始位置不變，很快bufindex和Kvindex就碰頭了，碰頭之后再重新開始或者移動內(nèi)存都比較麻煩，不可取。Map取kvbuffer中剩余空間的中間位置，用這個位置設置為新的分界點，bufindex指針移動到這個分界點，Kvindex移動到這個分界點的-16位置，然后兩者就可以和諧地按照自己既定的軌跡放置數(shù)據(jù)了，當Spill完成，空間騰出之后，不需要做任何改動繼續(xù)前進。分界點的轉換如下圖所示：

Map任務總要把輸出的數(shù)據(jù)寫到磁盤上，即使輸出數(shù)據(jù)量很小在內(nèi)存中全部能裝得下，在最后也會把數(shù)據(jù)刷到磁盤上。

Merge

Map任務如果輸出數(shù)據(jù)量很大，可能會進行好幾次Spill，out文件和Index文件會產(chǎn)生很多，分布在不同的磁盤上。最后把這些文件進行合并的merge過程閃亮登場。

Merge過程怎么知道產(chǎn)生的Spill文件都在哪了呢？從所有的本地目錄上掃描得到產(chǎn)生的Spill文件，然后把路徑存儲在一個數(shù)組里。Merge過程又怎么知道Spill的索引信息呢？沒錯，也是從所有的本地目錄上掃描得到Index文件，然后把索引信息存儲在一個列表里。到這里，又遇到了一個值得納悶的地方。在之前Spill過程中的時候為什么不直接把這些信息存儲在內(nèi)存中呢，何必又多了這步掃描的操作？特別是Spill的索引數(shù)據(jù)，之前當內(nèi)存超限之后就把數(shù)據(jù)寫到磁盤，現(xiàn)在又要從磁盤把這些數(shù)據(jù)讀出來，還是需要裝到更多的內(nèi)存中。之所以多此一舉，是因為這時kvbuffer這個內(nèi)存大戶已經(jīng)不再使用可以回收，有內(nèi)存空間來裝這些數(shù)據(jù)了。（對于內(nèi)存空間較大的土豪來說，用內(nèi)存來省卻這兩個io步驟還是值得考慮的。）

然后為merge過程創(chuàng)建一個叫file.out的文件和一個叫file.out.Index的文件用來存儲最終的輸出和索引。

一個partition一個partition的進行合并輸出。對于某個partition來說，從索引列表中查詢這個partition對應的所有索引信息，每個對應一個段插入到段列表中。也就是這個partition對應一個段列表，記錄所有的Spill文件中對應的這個partition那段數(shù)據(jù)的文件名、起始位置、長度等等。

然后對這個partition對應的所有的segment進行合并，目標是合并成一個segment。當這個partition對應很多個segment時，會分批地進行合并：先從segment列表中把第一批取出來，以key為關鍵字放置成最小堆，然后從最小堆中每次取出最小的<key, value>輸出到一個臨時文件中，這樣就把這一批段合并成一個臨時的段，把它加回到segment列表中；再從segment列表中把第二批取出來合并輸出到一個臨時segment，把其加入到列表中；這樣往復執(zhí)行，直到剩下的段是一批，輸出到最終的文件中。

最終的索引數(shù)據(jù)仍然輸出到Index文件中。

Map端的Shuffle過程到此結束。

Copy

Reduce任務通過HTTP向各個Map任務拖取它所需要的數(shù)據(jù)。每個節(jié)點都會啟動一個常駐的HTTP server，其中一項服務就是響應Reduce拖取Map數(shù)據(jù)。當有MapOutput的HTTP請求過來的時候，HTTP server就讀取相應的Map輸出文件中對應這個Reduce部分的數(shù)據(jù)通過網(wǎng)絡流輸出給Reduce。

Reduce任務拖取某個Map對應的數(shù)據(jù)，如果在內(nèi)存中能放得下這次數(shù)據(jù)的話就直接把數(shù)據(jù)寫到內(nèi)存中。Reduce要向每個Map去拖取數(shù)據(jù)，在內(nèi)存中每個Map對應一塊數(shù)據(jù)，當內(nèi)存中存儲的Map數(shù)據(jù)占用空間達到一定程度的時候，開始啟動內(nèi)存中merge，把內(nèi)存中的數(shù)據(jù)merge輸出到磁盤上一個文件中。

如果在內(nèi)存中不能放得下這個Map的數(shù)據(jù)的話，直接把Map數(shù)據(jù)寫到磁盤上，在本地目錄創(chuàng)建一個文件，從HTTP流中讀取數(shù)據(jù)然后寫到磁盤，使用的緩存區(qū)大小是64K。拖一個Map數(shù)據(jù)過來就會創(chuàng)建一個文件，當文件數(shù)量達到一定閾值時，開始啟動磁盤文件merge，把這些文件合并輸出到一個文件。

有些Map的數(shù)據(jù)較小是可以放在內(nèi)存中的，有些Map的數(shù)據(jù)較大需要放在磁盤上，這樣最后Reduce任務拖過來的數(shù)據(jù)有些放在內(nèi)存中了有些放在磁盤上，最后會對這些來一個全局合并。

Merge Sort

這里使用的Merge和Map端使用的Merge過程一樣。Map的輸出數(shù)據(jù)已經(jīng)是有序的，Merge進行一次合并排序，所謂Reduce端的sort過程就是這個合并的過程。一般Reduce是一邊copy一邊sort，即copy和sort兩個階段是重疊而不是完全分開的。

Reduce端的Shuffle過程至此結束。

Spark的Shuffle過程介紹

Shuffle Writer

Spark豐富了任務類型，有些任務之間數(shù)據(jù)流轉不需要通過Shuffle，但是有些任務之間還是需要通過Shuffle來傳遞數(shù)據(jù)，比如wide dependency的group by key。

Spark中需要Shuffle輸出的Map任務會為每個Reduce創(chuàng)建對應的bucket，Map產(chǎn)生的結果會根據(jù)設置的partitioner得到對應的bucketId，然后填充到相應的bucket中去。每個Map的輸出結果可能包含所有的Reduce所需要的數(shù)據(jù)，所以每個Map會創(chuàng)建R個bucket（R是reduce的個數(shù)），M個Map總共會創(chuàng)建M*R個bucket。

Map創(chuàng)建的bucket其實對應磁盤上的一個文件，Map的結果寫到每個bucket中其實就是寫到那個磁盤文件中，這個文件也被稱為blockFile，是Disk Block Manager管理器通過文件名的Hash值對應到本地目錄的子目錄中創(chuàng)建的。每個Map要在節(jié)點上創(chuàng)建R個磁盤文件用于結果輸出，Map的結果是直接輸出到磁盤文件上的，100KB的內(nèi)存緩沖是用來創(chuàng)建Fast Buffered OutputStream輸出流。這種方式一個問題就是Shuffle文件過多。

針對上述Shuffle過程產(chǎn)生的文件過多問題，Spark有另外一種改進的Shuffle過程：consolidation Shuffle，以期顯著減少Shuffle文件的數(shù)量。在consolidation Shuffle中每個bucket并非對應一個文件，而是對應文件中的一個segment部分。Job的map在某個節(jié)點上第一次執(zhí)行，為每個reduce創(chuàng)建bucket對應的輸出文件，把這些文件組織成ShuffleFileGroup，當這次map執(zhí)行完之后，這個ShuffleFileGroup可以釋放為下次循環(huán)利用；當又有map在這個節(jié)點上執(zhí)行時，不需要創(chuàng)建新的bucket文件，而是在上次的ShuffleFileGroup中取得已經(jīng)創(chuàng)建的文件繼續(xù)追加寫一個segment；當前次map還沒執(zhí)行完，ShuffleFileGroup還沒有釋放，這時如果有新的map在這個節(jié)點上執(zhí)行，無法循環(huán)利用這個ShuffleFileGroup，而是只能創(chuàng)建新的bucket文件組成新的ShuffleFileGroup來寫輸出。

比如一個Job有3個Map和2個reduce：(1) 如果此時集群有3個節(jié)點有空槽，每個節(jié)點空閑了一個core，則3個Map會調(diào)度到這3個節(jié)點上執(zhí)行，每個Map都會創(chuàng)建2個Shuffle文件，總共創(chuàng)建6個Shuffle文件；(2) 如果此時集群有2個節(jié)點有空槽，每個節(jié)點空閑了一個core，則2個Map先調(diào)度到這2個節(jié)點上執(zhí)行，每個Map都會創(chuàng)建2個Shuffle文件，然后其中一個節(jié)點執(zhí)行完Map之后又調(diào)度執(zhí)行另一個Map，則這個Map不會創(chuàng)建新的Shuffle文件，而是把結果輸出追加到之前Map創(chuàng)建的Shuffle文件中；總共創(chuàng)建4個Shuffle文件；(3) 如果此時集群有2個節(jié)點有空槽，一個節(jié)點有2個空core一個節(jié)點有1個空core，則一個節(jié)點調(diào)度2個Map一個節(jié)點調(diào)度1個Map，調(diào)度2個Map的節(jié)點上，一個Map創(chuàng)建了Shuffle文件，后面的Map還是會創(chuàng)建新的Shuffle文件，因為上一個Map還正在寫，它創(chuàng)建的ShuffleFileGroup還沒有釋放；總共創(chuàng)建6個Shuffle文件。

Shuffle Fetcher

Reduce去拖Map的輸出數(shù)據(jù)，Spark提供了兩套不同的拉取數(shù)據(jù)框架：通過socket連接去取數(shù)據(jù)；使用netty框架去取數(shù)據(jù)。

每個節(jié)點的Executor會創(chuàng)建一個BlockManager，其中會創(chuàng)建一個BlockManagerWorker用于響應請求。當Reduce的GET_BLOCK的請求過來時，讀取本地文件將這個blockId的數(shù)據(jù)返回給Reduce。如果使用的是Netty框架，BlockManager會創(chuàng)建ShuffleSender用于發(fā)送Shuffle數(shù)據(jù)。

并不是所有的數(shù)據(jù)都是通過網(wǎng)絡讀取，對于在本節(jié)點的Map數(shù)據(jù)，Reduce直接去磁盤上讀取而不再通過網(wǎng)絡框架。

Reduce拖過來數(shù)據(jù)之后以什么方式存儲呢？Spark Map輸出的數(shù)據(jù)沒有經(jīng)過排序，Spark Shuffle過來的數(shù)據(jù)也不會進行排序，Spark認為Shuffle過程中的排序不是必須的，并不是所有類型的Reduce需要的數(shù)據(jù)都需要排序，強制地進行排序只會增加Shuffle的負擔。Reduce拖過來的數(shù)據(jù)會放在一個HashMap中，HashMap中存儲的也是<key, value>對，key是Map輸出的key，Map輸出對應這個key的所有value組成HashMap的value。Spark將Shuffle取過來的每一個<key, value>對插入或者更新到HashMap中，來一個處理一個。HashMap全部放在內(nèi)存中。

Shuffle取過來的數(shù)據(jù)全部存放在內(nèi)存中，對于數(shù)據(jù)量比較小或者已經(jīng)在Map端做過合并處理的Shuffle數(shù)據(jù)，占用內(nèi)存空間不會太大，但是對于比如group by key這樣的操作，Reduce需要得到key對應的所有value，并將這些value組一個數(shù)組放在內(nèi)存中，這樣當數(shù)據(jù)量較大時，就需要較多內(nèi)存。

當內(nèi)存不夠時，要不就失敗，要不就用老辦法把內(nèi)存中的數(shù)據(jù)移到磁盤上放著。Spark意識到在處理數(shù)據(jù)規(guī)模遠遠大于內(nèi)存空間時所帶來的不足，引入了一個具有外部排序的方案。Shuffle過來的數(shù)據(jù)先放在內(nèi)存中，當內(nèi)存中存儲的<key, value>對超過1000并且內(nèi)存使用超過70%時，判斷節(jié)點上可用內(nèi)存如果還足夠，則把內(nèi)存緩沖區(qū)大小翻倍，如果可用內(nèi)存不再夠了，則把內(nèi)存中的<key, value>對排序然后寫到磁盤文件中。最后把內(nèi)存緩沖區(qū)中的數(shù)據(jù)排序之后和那些磁盤文件組成一個最小堆，每次從最小堆中讀取最小的數(shù)據(jù)，這個和MapReduce中的merge過程類似。

MapReduce和Spark的Shuffle過程對比

Shuffle后續(xù)優(yōu)化方向

通過上面的介紹，我們了解到，Shuffle過程的主要存儲介質(zhì)是磁盤，盡量的減少IO是Shuffle的主要優(yōu)化方向。我們腦海中都有那個經(jīng)典的存儲金字塔體系，Shuffle過程為什么把結果都放在磁盤上，那是因為現(xiàn)在內(nèi)存再大也大不過磁盤，內(nèi)存就那么大，還這么多張嘴吃，當然是分配給最需要的了。如果具有“土豪”內(nèi)存節(jié)點，減少Shuffle IO的最有效方式無疑是盡量把數(shù)據(jù)放在內(nèi)存中。下面列舉一些現(xiàn)在看可以優(yōu)化的方面，期待經(jīng)過我們不斷的努力，TDW計算引擎運行地更好。

MapReduce Shuffle后續(xù)優(yōu)化方向

• 壓縮：對數(shù)據(jù)進行壓縮，減少寫讀數(shù)據(jù)量；
• 減少不必要的排序：并不是所有類型的Reduce需要的數(shù)據(jù)都是需要排序的，排序這個nb的過程如果不需要最好還是不要的好；
• 內(nèi)存化：Shuffle的數(shù)據(jù)不放在磁盤而是盡量放在內(nèi)存中，除非逼不得已往磁盤上放；當然了如果有性能和內(nèi)存相當?shù)牡谌酱鎯ο到y(tǒng)，那放在第三方存儲系統(tǒng)上也是很好的；這個是個大招；
• 網(wǎng)絡框架：netty的性能據(jù)說要占優(yōu)了；
• 本節(jié)點上的數(shù)據(jù)不走網(wǎng)絡框架：對于本節(jié)點上的Map輸出，Reduce直接去讀吧，不需要繞道網(wǎng)絡框架。

Spark Shuffle后續(xù)優(yōu)化方向

Spark作為MapReduce的進階架構，對于Shuffle過程已經(jīng)是優(yōu)化了的，特別是對于那些具有爭議的步驟已經(jīng)做了優(yōu)化，但是Spark的Shuffle對于我們來說在一些方面還是需要優(yōu)化的。

• 壓縮：對數(shù)據(jù)進行壓縮，減少寫讀數(shù)據(jù)量；
• 內(nèi)存化：Spark歷史版本中是有這樣設計的：Map寫數(shù)據(jù)先把數(shù)據(jù)全部寫到內(nèi)存中，寫完之后再把數(shù)據(jù)刷到磁盤上；考慮內(nèi)存是緊缺資源，后來修改成把數(shù)據(jù)直接寫到磁盤了；對于具有較大內(nèi)存的集群來講，還是盡量地往內(nèi)存上寫吧，內(nèi)存放不下了再放磁盤。

生活不易，碼農(nóng)辛苦
如果您覺得本網(wǎng)站對您的學習有所幫助,可以手機掃描二維碼進行捐贈