Spark源码——shuffle

原理回顾

 

 一个RDD的两个分区的数据shuffle到另一个RDD的两个分区中后，如果上一个RDD还存在其他分区没执行完毕的话，不能往下执行，就会造成当前RDD内存数据挤压

所以中间就需要落盘操作，中间需要磁盘文件File

shuffle一定会有落盘，但是效率慢，如何提高效率？落盘数据量越少速度就会变快。算子如果存在预聚合功能，就会提升shuffle性能