Spark shuffle介绍：概述

在基于mapreduce思想的计算模型里，Shuffle是map和reduce的纽带。计算框架对大数据分而治之，对处理数据进行分块并行处理，当需要对分块数据做聚合处理时，多个分块的数据在map阶段转为k-v结构，然后按key分区，在reduce阶段对各自分区的数据进行计算归并。map和reduce中间对数据做分区并规整的过程，就是shuffle的过程。

在spark中，对shuffle也从RDD的角度进行了定义。spark core的作业就是rdd的一系列转换，从aRDD转为bRDD，RDD之间有宽依赖和窄依赖，对于存在宽依赖的2个RDD之间，就会存在shuffle。

窄依赖：父RDD的每个分区数据都只被RDD的一个分区使用

宽依赖：父RDD的每个分区数据都被子RDD的多个分区使用

在hadoop、spark这类批处理的计算框架中，考虑到容错，shuffle过程的数据都是序列化到了磁盘。map做shuffle write，reduce做shuffle read。这个过程涉及了CPU对数据序列化及各种内存拷贝、内存对数据做分区排序、磁盘对shuffle数据存储读取、以及网络远程fetch，是计算过程中的资源消耗大户，也是最大的瓶颈。

下面以wordcount为例子，概要描述下作业shuffle过程，目标为统计输入文件里每个单词的数量。

比如有2个文本文件，文件1内容为： abc def 文件2内容为：abc ghi。

期望结果为：abc 2；def 1；ghi 1（abc有2个，def有1个，ghi有1个）

整个数据流如下：

1、作业运行时首先启2个task，分别读取文件1和文件2，每个task将自己读到文件内容split为单词

2、每个task将读到的单词，转为key-value结构，即word-数量的结构

3、每个task将key-value数据按key做分区，假设目标分区为3个，3个单词abc、def、ghi分别分到3个分区，并各自shuffle write为对应的文件

4、启动3个reduce任务，每个reduce任务读取对应分区的数据

5、每个reduce任务对相同的单词合并，数量合计

6、每个reduce任务的结果合并到driver输出结果

为了并行处理数据，需要启动多个task进行文件的读取和split。但count是对全部的单词做count，每个task里只包含了某1个文件的单词，这种就需要shuffle，把相同的单词先分到同一个分区里，再分别对每个分区做count，即可得到最终结果。这个简单的例子帮到你理解为什么需要shuffle了么。