Spark钨丝计划：让火花（Spark）更接近灯丝（Rare Metal）详解（2）

本文主要内容包括 ： “钨丝计划”的shuffle的使用

一：使用Tungsten功能

1， 如果想让您的程序使用Tungsten的功能，可以配置：

Spark.Shuffle.Manager = tungsten-sort

2， DataFrame中自动开启了Tungsten功能。



二：Tungsten-sort base Shuffle writer内幕

1，写数据在内存足够大的情况下是写到Page里面，在Page里面有一条条的Record，如果内存不够的话，会spill到磁盘上，输入数据的时候是循环每个Task中处理的数据Partition的结果，循环的时候会查看是否有内存，一个Page写满之后，才会写下一个Page。

2，如何看内存是否足够呢？

a)系统默认情况下给 shuffleMapTask 最大准备了多少内存空间，默认情况下是ExecutorHeapMemory*0.8*0.2 (spark.shuffle.memoryFraction = 0.2 , spark.shuffle.safeFraction = 0.8)

b)另外一方面是和Task处理的Partition大小紧密相关

写入的过程图：



1，mergeSpills的功能是将很多小文件合并成一个大文件。然后加上index文件索引。

2,和Sort Based Shuffle 过程基本一样。

3, 写数据在内存足够大的情况下是写到Page里面，在Page中有一条条的Record，如果内存不够的话会Spill到磁盘中。此过程跟前面讲解Sort base Shuffle writer过程是一样的。

4,基于UnsafeShuffleWriter会有一个类负责将数据写入到Page中。

5, insertRecordIntoSorter: 此方法把records的数据一条一条的写入到输出流。

而输出流是: ByteArrayOutputStream

四：Tungsten-sort base Shuffle Read原理

基本上是复用了Hash Shuffle Read， 在Tungsten下获取数据的类叫做BlockStoreShuffleReader,其底层其实是Pag