Spark Shuffle 机制
1、spark shuffle：spark 的 shuffle 主要发生在 DAG 视图中的 stage 和 stage 之间，也就是RDD之间是宽依赖的时候，会发生 shuffle。
补充：spark shuffle在很多地方也会参照mapreduce一样，将它分成两个阶段map阶段、reduce阶段。map阶段就是数据还在各个节点上的阶段，reduce阶段就是相同的key被拉到了相同的节点上后的阶段。
2、shuffle对于spark性能的影响：shuffle过程包括大量的磁盘IO、序列化、网络数据传输等操作。因此，shuffle调优可以让spark作业性能得到提高。
3、spark shuffle的四种策略：
shuffle manager 就是 负责管理 shuffle 过程的执行、计算、处理的组件，即shuffle管理器。
ShuffleManager随着Spark的发展有两种实现的方式，分别为HashShuffleManager（spark1.2之前使用）和SortShuffleManager，因此spark的Shuffle有Hash Shuffle和Sort Shuffle两种。
在Spark 1.2以前，默认的shuffle计算引擎是HashShuffleManager。
HashShuffleManager有着一个非常严重的弊端，就是会产生大量的中间磁盘文件，进而由大量的磁盘IO操作影响了性能。因此在Spark 1.2以后的版本中，默认的ShuffleManager改成了SortShuffleManager。
SortShuffleManager相较于HashShuffleManager来说，有了一定的改进。主要就在于，每个Task在进行shuffle操作时，虽然也会产生较多的临时磁盘文件，但是最后会将所有的临时文件合并(merge)成一个磁盘文件，因此每个Task就只有一个磁盘文件。在下一个stage的shuffle read task拉取自己的数据时，只要根据索引读取每个磁盘文件中的部分数据即可。
（1）未经优化的hashShuffle
上游的stage的task对相同的key执行hash算法，从而将相同的key都写入到一个磁盘文件中，而每一个磁盘文件都只属于下游stage的一个task。在将数据写入磁盘之前，会先将数据写入到内存缓冲，当内存缓冲填满之后，才会溢写到磁盘文件中。但是这种策略的不足在于，下游有几个task，上游的每一个task都就都需要创建几个临时文件，每个文件中只存储key取hash之后相同的数据，导致了当下游的task任务过多的时候，上游会堆积大量的小文件。
（2）经过优化的hashShuffle
同一个excutor的所有task公用一个shuffleFileGroup
在shuffle write过程中，上游stage的task就不是为下游stage的每个task创建一个磁盘文件了。此时会出现shuffleFileGroup的概念，每个shuffleFileGroup会对应一批磁盘文件，磁盘文件的数量与下游stage的task数量是相同的。一个Executor上有多少个CPU core，就可以并行执行多少个task。而第一批并行执行的每个task都会创建一个shuffleFileGroup，并将数据写入对应的磁盘文件内。当Executor的CPU core执行完一批task，接着执行下一批task时，下一批task就会复用之前已有的shuffleFileGroup，包括其中的磁盘文件。也就是说，此时task会将数据写入已有的磁盘文件中，而不会写入新的磁盘文件中。因此，consolidate机制允许不同的task复用同一批磁盘文件，这样就可以有效将多个task的磁盘文件进行一定程度上的合并，从而大幅度减少磁盘文件的数量，进而提升shuffle write的性能。
注意：如果想使用优化之后的ShuffleManager，需要将：spark.shuffle.consolidateFiles调整为true。（当然，默认是开启的）
未经优化： 上游的task数量：m ， 下游的task数量：n ， 上游的executor数量：k (m>=k) ， 总共的磁盘文件：m*n= 上游task数量 x 下游task的数量
优化之后的： 上游的task数量：m ， 下游的task数量：n ， 上游的executor数量：k (m>=k) ， 总共的磁盘文件： k*n= 上游excutor的数量 x 下游task的数量
（3）SortShuffle普通机制：
shuffle write：mapper阶段，上一个stage得到最后的结果写出
shuffle read ：reduce阶段，下一个stage拉取上一个stage进行合并
在普通模式下，数据会先写入一个内存数据结构中，此时根据不同的shuffle算子，可以选用不同的数据结构。如果是由聚合操作的shuffle算子，就是用map的数据结构（边聚合边写入内存），如果是join的算子，就使用array的数据结构（直接写入内存）。接着，每写一条数据进入内存数据结构之后，就会判断是否达到了某个临界值，如果达到了临界值的话，就会尝试的将内存数据结构中的数据溢写到磁盘，然后清空内存数据结构。
在溢写到磁盘文件之前，会先根据key对内存数据结构中已有的数据进行排序，排序之后，会分批将数据写入磁盘文件。默认的batch数量是10000条，也就是说，排序好的数据，会以每批次1万条数据的形式分批写入磁盘文件，写入磁盘文件是通过Java的BufferedOutputStream实现的。BufferedOutputStream是Java的缓冲输出流，首先会将数据缓冲在内存中，当内存缓冲满溢之后再一次写入磁盘文件中，这样可以减少磁盘IO次数，提升性能。
此时task将所有数据写入内存数据结构的过程中，会发生多次磁盘溢写，会产生多个临时文件，最后会将之前所有的临时文件都进行合并，最后会合并成为一个大文件。最终只剩下两个文件，一个是合并之后的数据文件，一个是索引文件（标识了下游各个task的数据在文件中的start offset与end offset）。最终再由下游的task根据索引文件读取相应的数据文件。最终文件的个数等于上游task的个数。
自己的理解：sortshuffle机制就是先将数据写入到内存缓存，缓存达到阈值进行磁盘溢写，磁盘溢写是分批次进行的，并且在溢写之前对key进行排序。这样就形成了很多的批次排序磁盘文件，然后将这些批次key排序磁盘文件进行合并，就形成了一个task的总的key的排序文件，在为这个key排序文件创建个索引文件，这样下一个stage的task就可以根据索引去文件中拉取自己的数据了。
（4）SortShuffle 的 ByPass 机制：
此时上游stage的task会为每个下游stage的task都创建一个临时磁盘文件，并将数据按key进行hash然后根据key的hash值，将key写入对应的磁盘文件之中。当然，写入磁盘文件时也是先写入内存缓冲，缓冲写满之后再溢写到磁盘文件的。最后，同样会将所有临时磁盘文件都合并成一个磁盘文件，并创建一个单独的索引文件。
自己的理解：bypass的就是不排序，还是用hash去为key分磁盘文件，分完之后再合并，形成一个索引文件和一个合并后的key hash文件。省掉了排序的性能。
bypass机制与普通SortShuffleManager运行机制的不同在于：
a、磁盘写机制不同；
b、不会进行排序。
也就是说，启用该机制的最大好处在于，shuffle write过程中，不需要进行数据的排序操作，也就节省掉了这部分的性能开销。
触发bypass机制的条件：
shuffle map task的数量小于 spark.shuffle.sort.bypassMergeThreshold 参数的值（默认200）或者不是聚合类的shuffle算子（比如groupByKey）
参考博客：https://blog.csdn.net/qichangjian/article/details/88039576
