Spark - Task的执行过程（一）- BypassMergeSortShuffleWriter

前面讲了Task的创建、提交，以及对Task进行资源调度与分配，对于Task的实现细节一笔带过，所以这篇开始讲解Task的执行过程。Task又分为ShuffleMapTask和ResultTask，我们分开来讲。

ShuffleMapTask

ShuffleMapTask进行写入的时候，有三种方式，分别是UnsafeShuffleWriter、BypassMergeSortShuffleWriter、SortShuffleWriter。而最终使用哪个ShuffleWriter是取决于RDD依赖的ShuffleHandle。
如果不需要map端进行合并且分区数小于等于200，则ShuffleHandle为BypassMergeSortShuffleHandle，最终的ShuffleWriter是BypassMergeSortShuffleWriter。
如果不需要map端进行合并且分区数<16777216、Serializer支持relocation则ShuffleHandle为SerializedShuffleHandle，最终的ShuffleWriter是UnsafeShuffleWriter。
其他情况下，ShuffleHandle为BaseShuffleHandle，最终的ShuffleWriter是SortShuffleWriter。

下面就先介绍BypassMergeSortShuffleWriter的写入过程，其他两个留后面讲。

BypassMergeSortShuffleWriter

我们假设有2个分区，这样最终就有2个Task，假设每个Task发给一个Executor，下面看看Executor是怎么处理每个Task中RDD计算的数据。

首先Executor会根据分区的数量，创建同等数量的DiskBlockObjectWriter。由于我们的分区数是2，所以DiskBlockObjectWriter是个数也是2，每一个DiskBlockObjectWriter处理一个分区的数据，最后把map任务的输出写入磁盘。每个DiskBlockObjectWriter都维持着BlockId以及他的文件File。

DiskBlockObjectWriter准备好后，开始迭代RDD计算的结果records，假设第一条是(a,1)，使用分区计算器算出a这个key的分区，比如左边的分区0，然后让左边的DiskBlockObjectWriter把(a,1)写入到Shuffle文件的输出流中。同理，(b,1)，(c,1)，(d,1)也假设都在左边，(e,1)，(f,1)，(g,1)，(h,1)根据key的分区计算，都在右边。

records结果都处理完后，DiskBlockObjectWriter就会把输出流中的数据写入到磁盘，文件的信息、索引的位置，都交给FileSegment来处理。

此时已经生成了两个临时的Shuffle文件，为了减少网络的IO，这些临时文件需要进行合并。所以会把这两个临时的Shuffle文件内容，写入到Shuffle数据文件，并记录每个文件的长度（比如4，4）。

写入到Shuffle数据文件后，临时文件就没有用了，就把他们都删除。

此时还要一个索引文件，因为我们把两个文件的内容合并了，需要知道原先每个文件里有哪些东西，上面我们不是保存了文件的长度(4,4)，所以根据这个得到了索引的值（0,4,8）。这样我们从文件里拿到对应的数据，就可以通过索引了。

ResultTask

如果一个RDD的数据，最终发到3个Executor，每个Executor都只处理一个Task，那最后会有3个dataFile文件。

最后执行ResultTask的时候，就会从这些dataFile文件拿出数据，调用函数进行最终的处理，得到最后的结果。