1:sparkconf.set("spark.shuffle.file.buffer","64k") --不建議使用，因為這麼寫相當於硬編碼 --最高
2：在conf/spark-defaults.conf ---不建議使用，相當於硬編碼 --第三
3：./spark-submit --conf spark.shuffle.file.buffer=64 --conf spark.reducer.maxsizeinflight=96 --建議使用 --第二
spark.shuffle.file.buffer
預設值：32k
引數說明：該引數用於設定shuffle write task的bufferedoutputstream的buffer緩衝大小。將資料寫到磁碟檔案之前，會先寫入buffer緩衝中，待緩衝寫滿之後，才會溢寫到磁碟。
調優建議：如果作業可用的記憶體資源較為充足的話，可以適當增加這個引數的大小（比如64k），從而減少shuffle write過程中溢寫磁碟檔案的次數，也就可以減少磁碟io次數，進而提公升效能。在實踐中發現，合理調節該引數，效能會有1%~5%的提公升。
spark.reducer.maxsizeinflight
預設值：48m
引數說明：該引數用於設定shuffle read task的buffer緩衝大小，而這個buffer緩衝決定了每次能夠拉取多少資料。
調優建議：如果作業可用的記憶體資源較為充足的話，可以適當增加這個引數的大小（比如96m），從而減少拉取資料的次數，也就可以減少網路傳輸的次數，進而提公升效能。在實踐中發現，合理調節該引數，效能會有1%~5%的提公升。
spark.shuffle.io.maxretries
預設值：3
引數說明：shuffle read task從shuffle write task所在節點拉取屬於自己的資料時，如果因為網路異常導致拉取失敗，是會自動進行重試的。該引數就代表了可以重試的最大次數。如果在指定次數之內拉取還是沒有成功，就可能會導致作業執行失敗。
調優建議：對於那些包含了特別耗時的shuffle操作的作業，建議增加重試最大次數（比如60次），以避免由於jvm的full gc或者網路不穩定等因素導致的資料拉取失敗。在實踐中發現，對於針對超大資料量（數十億~上百億）的shuffle過程，調節該引數可以大幅度提公升穩定性。
shuffle file not find taskscheduler不負責重試task，由dagscheduler負責重試stage
spark.shuffle.io.retrywait
預設值：5s
引數說明：具體解釋同上，該引數代表了每次重試拉取資料的等待間隔，預設是5s。
調優建議：建議加大間隔時長（比如60s），以增加shuffle操作的穩定性。
spark.shuffle.memoryfraction
預設值：0.2
引數說明：該引數代表了executor記憶體中，分配給shuffle read task進行聚合操作的記憶體比例，預設是20%。
調優建議：如果記憶體充足，而且很少使用持久化操作，建議調高這個比例，給shuffle read的聚合操作更多記憶體，以避免由於記憶體不足導致聚合過程中頻繁讀寫磁碟。在實踐中發現，合理調節該引數可以將效能提公升10%左右。
spark.shuffle.manager
預設值：sort|hash
引數說明：該引數用於設定shufflemanager的型別。spark 1.5以後，有三個可選項：hash、sort和tungsten-sort。hashshufflemanager是spark 1.2以前的預設選項，但是spark 1.2以及之後的版本預設都是sortshufflemanager了。tungsten-sort與sort類似，但是使用了tungsten計畫中的堆外記憶體管理機制，記憶體使用效率更高。
調優建議：由於sortshufflemanager缺省會對資料進行排序，因此如果你的業務邏輯中需要該排序機制的話，則使用預設的sortshufflemanager就可以；而如果你的業務邏輯不需要對資料進行排序，那麼建議參考後面的幾個引數調優，通過bypass機制或優化的hashshufflemanager來避免排序操作，同時提供較好的磁碟讀寫效能。這裡要注意的是，tungsten-sort要慎用，因為之前發現了一些相應的bug。
spark.shuffle.sort.bypassmergethreshold----針對sortshuffle
預設值：200
引數說明：當shufflemanager為sortshufflemanager時，如果shuffle read task的數量小於這個閾值（預設是200），則shuffle write過程中不會進行排序操作，而是直接按照未經優化的hashshufflemanager的方式去寫資料，但是最後會將每個task產生的所有臨時磁碟檔案都合併成乙個檔案，並會建立單獨的索引檔案。
調優建議：當你使用sortshufflemanager時，如果的確不需要排序操作，那麼建議將這個引數調大一些，大於shuffle read task的數量。那麼此時就會自動啟用bypass機制，map-side就不會進行排序了，減少了排序的效能開銷。但是這種方式下，依然會產生大量的磁碟檔案，因此shuffle write效能有待提高。
spark.shuffle.consolidatefiles----針對hashshuffle
預設值：false
引數說明：如果使用hashshufflemanager，該引數有效。如果設定為true，那麼就會開啟consolidate機制，會大幅度合併shuffle write的輸出檔案，對於shuffle read task數量特別多的情況下，這種方法可以極大地減少磁碟io開銷，提公升效能。
調優建議：如果的確不需要sortshufflemanager的排序機制，那麼除了使用bypass機制，還可以嘗試將spark.shffle.manager引數手動指定為hash，使用hashshufflemanager，同時開啟consolidate機制。在實踐中嘗試過，發現其效能比開啟了bypass機制的sortshufflemanager要高出10%~30%。
Spark Shuffle記憶體分析
分布式系統裡的shuffle 階段往往是非常複雜的，而且分支條件也多，我只能按著我關注的線去描述。肯定會有不少謬誤之處，我會根據自己理解的深入，不斷更新這篇文章。前言用spark寫程式，乙個比較蛋疼的地方就是oom，或者gc嚴重，導致程式響應緩慢，一般這種情況都會出現在shuffle階段。shuff...
Spark shuffle流程細則
hadoop中的shuffle存在map任務和reduce任務之間，而spark中的shuffle過程存在stage之間。shuffle操作分為兩種，分別是寫操作和讀操作。基於排序的shuffle操作 基於雜湊的shuffle操作會產生很多檔案，這對檔案系統來說是乙個非誠大的負擔，而且在總資料量不大...
spark shuffle內在原理說明
在mapreduce框架中，shuffle是連線map和reduce之間的橋梁，map的輸出要用到reduce中必須經過shuffle這個環節，shuffle的效能高低直接影響了整個程式的效能和吞吐量。spark作為mapreduce框架的一種實現，自然也實現了shuffle的邏輯。shuffle是...