前言:
当前咱们对“spark vs mapreduce”大体比较看重,小伙伴们都想要学习一些“spark vs mapreduce”的相关文章。那么小编也在网络上汇集了一些关于“spark vs mapreduce””的相关内容,希望看官们能喜欢,姐妹们快快来了解一下吧!MapperReduce的shuffle
shuffle阶段划分
Map阶段和Reduce阶段
任务
MapTask和ReduceTask
shuffle过程
Map阶段shuffle:分区->排序->合并
①数据从环形缓冲区溢写到磁盘前,需要先进行分区,然后区内排序
②环形缓存区数据到达阈值(80%),会以小文件的形式溢写到磁盘,此过程可以开启combiner
③将溢写的小文件按照相同分区进行merge
Reduce阶段shuffle:拷贝数据->排序->合并
①一个ReduceTask负责一个分区数据,需从多个MapTask的同一个分区拷贝数据到机器。
②将拷贝过来的数据优先存储在内存,次之磁盘,然后排序,合并做到数据分区内有序
shffle的意义:只有存在reduce才有shuffle,shuffle的意义就是给reduce提供服务。
Spark的shuffle
介绍
①spark的某些算子会触发shuffle,出现shuffle的目的是在不同分区间重新分配数据。
②shuffle过程数据是跨机器传输的,消耗大量的网络io和序列化,消耗性能。
③shuffle后不能保证新的分区的数据是有序的。区别于MR ( MR的shuffle后区内的数据是有序的 )
但是可以调用排序的算子,使得数据区内有序。
④产生shuffle的算子都是分两步执行,mapTask组织数据(shuffle write), reduceTask(shuffle read)
⑤spark的mapTask优先将数据写入内存,内存不足,将数据区内有序,溢写到磁盘
会产生shuffle的算子
①repartition 和 coalesce 重新计算分区的算子。
②??ByKey:除了countByKey,都会产线shuffle
③cogroup 和 join
性能的影响
shuffle就是将数据在不同分区间进行聚合分配,集群的多节点的数据交换,会涉及到磁盘I/O,序列化,网络I/O,很消耗性能。
总结
spark中的shuffle耗时,消耗性能,应该尽量避免!
spark中的shuffle和MapReduce的shuffle的功能一致,跨机器传输数据,细节略有不同。
标签: #spark vs mapreduce