一、概述
之前我们写了几篇文章详细讲解了Spark Shuffle的Writer原理、技术演进历程及Spark2.x中三种Writer机制的具体实现，这里我们对Shuffler Read的源码进行深度剖析。
对于每个stage来说，它的上边界，要么从外部存储读取数据，要么读取parent stage的输出。而下边界要么是写入到本地文件系统(需要有shuffle)，提供给child stage进行读取，要么就是最后一个stage，需要输出结果。这里的stage在运行时就可以以流水线的方式进行运行一组Task，除了最后一个stage对应的ResultTask，其余的stage全部对应的ShuffleMapTask。
除了需要从外部存储读取数据和RDD已经做过cache或者checkPoint的Task。一般的Task都是从Shuffle RDD的ShuffleRead开始的。
二、源码剖析
1.我们先从ResultTask的runtask()函数开始讲解，代码如下：
override def runTask(context: TaskContext): U = {
2.这里ShuffleRDD.compute()函数从sparkEnv中获取对应的shuffleManager，这里对应的是SortShuffleManager，代码如下：
override def compute(split: Partition, context: TaskContext): Iterator[(K, C)] = {
调用getReader函数返回的应该是BlockStoreShuffleReader实例，代码如下：
override def getReader[K, C](
3.最后调用BlockStoreShuffleReader的read()函数对数据进行读取，代码如下：
override def read(): Iterator[Product2[K, C]] = {
4.回到上面第1中的ShuffleBlockFetcherIterator初始化，由于这个涉及到数据的拉取，比较重要，再去跟踪下他的实例化代码，里面主要是调用了initialize()函数进行了初始化，代码如下：
private[this] def initialize(): Unit = {
总结一下，上面的read()函数里面的实现代码比较多，这里只看了重要的流程代码，它主要干了三件事：
1.首先实例化ShuffleBlockFetcherIterator并进行数据的拉取；
2.其次就是对数据进行了聚合，生成聚合迭代器；
3.最后对数据进行了排序，生成排序迭代器。
ShuffleBlockFetcherIterator上面也说了几个参数，但是有一个参数特别重要参数，经常会用来优化shuffle reader：
spark.reducer.maxSizeInFlight
默认值48MB，设置ShuffleReadTask拉取数据的缓冲区大小，决定每次能够拉取多少数据。如果你内存充足，可适当调大成64MB、96MB减少拉取次数和数据传输次数，如果内存不太多，可适当调小为24MB，防止OOM,减少每次拉取的数据。
如果觉得我的文章能帮到您，请关注微信公众号“大数据开发运维架构”，并转发朋友圈，谢谢支持！！！
相关阅读：
本文分享自微信公众号 - 大数据开发运维架构（JasonLu1986）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
