1、map端記憶體緩衝，reduce端記憶體佔比概述

map端記憶體緩衝，reduce端記憶體佔比；很多資料、網上視訊，都會說，這兩個引數，是調節shuffle效能的不二選擇，很有效果的樣子，實際上，不是這樣的。

但是，有一點點效果的，broadcast，資料本地化等待時長；這兩個shuffle調優的小點，其實也是需要跟其他的大量的小點配合起來使用，一點一點的提升效能，最終很多個性能調優的小點的效果，彙集在一起之後，那麼就會有可以看見的還算不錯的效能調優的效果。

spark.shuffle.file.buffer，預設32k
spark.shuffle.memoryFraction，0.2

2.、原理圖及分析

預設情況下，shuffle的map task，輸出到磁碟檔案的時候，統一都會先寫入每個task自己關聯的一個記憶體緩衝區。
這個緩衝區大小，預設是32kb。
每一次，當記憶體緩衝區滿溢之後，才會進行spill操作，溢寫操作，溢寫到磁碟檔案中去。

reduce端task，在拉取到資料之後，會用hashmap的資料格式，來對各個key對應的values進行匯聚。
針對每個key對應的values，執行我們自定義的聚合函式的程式碼，比如_ + _（把所有values累加起來）
reduce task，在進行匯聚、聚合等操作的時候，實際上，使用的就是自己對應的executor的記憶體，executor（jvm程序，堆），預設executor記憶體中劃分給reduce task進行聚合的比例，是0.2。
問題來了，因為比例是0.2，所以，理論上，很有可能會出現，拉取過來的資料很多，那麼在記憶體中，放不下；這個時候，預設的行為，就是說，將在記憶體放不下的資料，都spill（溢寫）到磁碟檔案中去。

3、不調優會出現什麼問題

預設，map端記憶體緩衝是每個task，32kb。
預設，reduce端聚合記憶體比例，是0.2，也就是20%。
如果map端的task，處理的資料量比較大，但是呢，你的記憶體緩衝大小是固定的。可能會出現什麼樣的情況？
每個task就處理320kb，32kb，總共會向磁碟溢寫320 / 32 = 10次。
每個task處理32000kb，32kb，總共會向磁碟溢寫32000 / 32 = 1000次。
在map task處理的資料量比較大的情況下，而你的task的記憶體緩衝預設是比較小的，32kb。可能會造成多次的map端往磁碟檔案的spill溢寫操作，發生大量的磁碟IO，從而降低效能。
reduce端聚合記憶體，佔比。預設是0.2。如果資料量比較大，reduce task拉取過來的資料很多，那麼就會頻繁發生reduce端聚合記憶體不夠用，頻繁發生spill操作，溢寫到磁碟上去。而且最要命的是，磁碟上溢寫的資料量越大，後面在進行聚合操作的時候，很可能會多次讀取磁碟中的資料，進行聚合。
預設不調優，在資料量比較大的情況下，可能頻繁地發生reduce端的磁碟檔案的讀寫。
這兩個點之所以放在一起講，是因為他們倆是有關聯的。資料量變大，map端肯定會出點問題；reduce端肯定也會出點問題；出的問題是一樣的，都是磁碟IO頻繁，變多，影響效能。

4、調優

調優：


調節map task記憶體緩衝：spark.shuffle.file.buffer，預設32k（spark 1.3.x不是這個引數，後面還有一個字尾，kb；spark 1.5.x以後，變了，就是現在這個引數）
調節reduce端聚合記憶體佔比：spark.shuffle.memoryFraction，0.2
在實際生產環境中，我們在什麼時候來調節兩個引數？
看Spark UI，如果你的公司是決定採用standalone模式，那麼狠簡單，你的spark跑起來，會顯示一個Spark UI的地址，4040的埠，進去看，依次點選進去，可以看到，你的每個stage的詳情，有哪些executor，有哪些task，每個task的shuffle write和shuffle read的量，shuffle的磁碟和記憶體，讀寫的資料量；如果是用的yarn模式來提交，課程最前面，從yarn的介面進去，點選對應的application，進入Spark UI，檢視詳情。
如果發現shuffle 磁碟的write和read，很大。這個時候，就意味著最好調節一些shuffle的引數。進行調優。首先當然是考慮開啟map端輸出檔案合併機制。
調節上面說的那兩個引數。調節的時候的原則。spark.shuffle.file.buffer，每次擴大一倍，然後看看效果，64，128；spark.shuffle.memoryFraction，每次提高0.1，看看效果。

不能調節的太大，太大了以後過猶不及，因為記憶體資源是有限的，你這裡調節的太大了，其他環節的記憶體使用就會有問題了。
調節了以後，效果？map task記憶體緩衝變大了，減少spill到磁碟檔案的次數；reduce端聚合記憶體變大了，減少spill到磁碟的次數，而且減少了後面聚合讀取磁碟檔案的數量。