Spark shuffle：hash和sort性能对比

我们都知道Hadoop中的shuffle（不知道原理？可以参见《MapReduce：详细介绍Shuffle的执行过程》），Hadoop中的shuffle是连接map和reduce之间的桥梁，它是基于排序的。同样，在Spark中也是存在shuffle，Spark 1.1之前，Spark的shuffle只存在一种方式实现方式，也就是基于hash的。而在最新的Spark 1.1.0版本中引进了新的shuffle实现（《Spark 1.1.0正式发布》）：基于sort的。
　　在Spark 1.1.0文档是这么说的：

Implementation to use for shuffling data. A hash-based shuffle manager is the default, but starting in Spark 1.1 there is an experimental sort-based shuffle manager that is more memory-efficient in environments with small executors, such as YARN. To use that, change this value to SORT.

　　从上面说明可以看出，Spark 1.1版本默认的shuffle是基于hash，不过这个版本引入了基于sort的shuffle，在一些环境下使用该shuffle实现会得到更高效的表现；在这个版本中的Shuffle实现还是处于实验阶段，不过大家可以通过spark.shuffle.manager参数进行使用。
　　不过随着对基于hash的shuffle实现和基于sort的shuffle实现进行实验对比，如下图所示：

如果想及时了解Spark、Hadoop或者Hbase相关的文章，欢迎关注微信公共帐号：iteblog_hadoop

还有下面的实验：

如果想及时了解Spark、Hadoop或者Hbase相关的文章，欢迎关注微信公共帐号：iteblog_hadoop

　　从上面的两幅实验对比我们可以看到，随着mapper数量或者Reduce数量的增加，基于hash的shuffle实现的表现比基于sort的shuffle实现的表现越来越糟糕。
　　基于这个事实，在Spark 1.2版本，默认的shuffle将选用基于sort的。下面是spark 1.2文档的说明：

Implementation to use for shuffling data. There are two implementations available: sort and hash. Sort-based shuffle is more memory-efficient and is the default option starting in 1.2.

不过从源码中我们可以看出，其实如果有需要的话，完全可以实现自己的shuffle实现：

1// Let the user specify short names for shuffle managers

2 val shortShuffleMgrNames = Map(

3      "hash" -> "org.apache.spark.shuffle.hash.HashShuffleManager",

4      "sort" -> "org.apache.spark.shuffle.sort.SortShuffleManager")

5val shuffleMgrName = conf.get("spark.shuffle.manager", "hash")

6val shuffleMgrClass =shortShuffleMgrNames.getOrElse(shuffleMgrName.toLowerCase, shuffleMgrName)

7val shuffleManager = instantiateClass[ShuffleManager](shuffleMgrClass)

　　上述代码我们可以看到基于Hash的shuffle其实是org.apache.spark.shuffle.hash.HashShuffleManager类，而sort的shuffle是org.apache.spark.shuffle.sort.SortShuffleManager。如果我们没有配置spark.shuffle.manager，则默认选用hash，这个大小写没有关系。如果用户配置的spark.shuffle.manager在shortShuffleMgrNames中没有查到，则选用用户自定义的Shuffle。用户自定义的Shuffle必须继承ShuffleManager类，重写里面的一些方法。

　　不过，也有人对MLlib中Shuffle进行了对比，实验如下结果：

如果想及时了解Spark、Hadoop或者Hbase相关的文章，欢迎关注微信公共帐号：iteblog_hadoop

　　从这个图可以看出，在MLlib下，基于sort的Shuffle并不一定比基于hash的Shuffle表现好，所以我们程序选择哪个Shuffle实现是需要考虑到具体的场景，如果内置的Shuffle实现不能满足自己的需求，我们完全可以自己实现一个Shuffle。

本文转自http://www.iteblog.com/archives/1138，所有权力归原作者所有。