spark shuffle写操作——SortShuffleWriter
写入的简单流程：
1.生成ExternalSorter对象
2.将消息都是插入ExternalSorter对象中
3.获取到mapOutputWriter，将中间产生的临时文件合并到一个临时文件
4.生成最后的data文件和index文件
可以看到写入的重点类是ExternalSorter对象
ExternalSorter
基本功能：对(k,v)进行排序,中间可能存在合并操作,最后生成(k,c)。
- 使用partitioner对key进行分区
- 在每个分区中使用Comparator进行排序
- 输出一个单独的文件,每个分区对应这个文件中的一段范围。
如果禁用了合并操作，类型C必须等于V
这个类的工作流程如下：
- 使用数据，反复填充内存缓冲区。如果是可以合并的数据，则使用PartitionedAppendOnlyMap；如果不合并，则使用PartitionedPairBuffer。在这些缓冲区中，我们首先按分区ID对元素进行排序，然后可能还会按键进行排序。为了避免对每个键多次调用分区器，我们将分区ID与每条记录一同存储。
- 当每个缓冲区达到内存限制时，会将其spill到文件中。这个文件首先按分区ID排序，如果需要做聚合操作，其次可能按键或键的哈希码排序。对于每个文件，跟踪每个分区在内存中的对象数量，因此不必为每个元素都写出分区ID。
- 当用户请求迭代器或文件输出时，溢写的文件会与任何剩余的内存数据一起被合并，使用上述定义的相同排序顺序（除非排序和聚合都被禁用）。如果需要按键进行聚合，我们或者从ordering参数中使用全序，或者读取具有相同哈希码的键并相互比较它们的相等性来合并值。
- 用户在结束时应调用stop()方法来删除所有中间文件。
缓存buffer：PartitionedAppendOnlyMap、PartitionedPairBuffer
关键方法：insertAll、maybeSpillCollection、spill、writePartitionedMapOutput
PartitionedPairBuffer
capacity 容量
curSize 当前放入的数据量
data 数组，存储的数据，（k,v）占用数组的两个位置
insert
如果容量达到瓶颈就进行扩容。
先存key，再存value。再调用afterUpdate
afterUpdate
numUpdates数据插入/更新次数
nextSampleNum下一次采样的次数
更新numUpdates，如果达到采样次数，执行采样takeSample
takeSample
samples中只存两个样品数据，用来计算每次更新的差值。
采样的时候要移除多余的数据。更新下一次采样的数据量。
estimateSize
预估大小。
最后一个样品的lastSize+bytesPerUpdate*新增的更新次数。
resetSamples
重新进行采样。
growArray
扩容2倍容量，迁移数据，重启采样
partitionedDestructiveSortedIterator
生成比较器comparator，调用sort对缓存的数据进行排序。
sorter是使用TimSort进行排序的。
TimSort介绍： https://zhuanlan.zhihu.com/p/695042849
iterator
用pos计算剩余量。
data(2 * pos)为key，data(2 * pos+1) 为value
PartitionedAppendOnlyMap
存储数据用的数组data，里面的元素是key0, value0, key1, value1, key2, value2…
changeValue
PartitionedAppendOnlyMap插入数据不再是追加，而是有一个相同key合并值的过程。
- key是null，返回null，不进行存储
- key首次插入，更新data中的对应的kv值
- key非首次插入，更新data中合并的的新value
- key发生哈希冲突，就向后加1，直到不冲突
update
跟changeValue类似。
growTable
比较简单，就是容量扩大两倍，将旧的kv值重新计算hash插入到新的数组中，如果发生hash冲突就不断向后移动一位。
iterator
核心方法是nextValue，在nextValue中，遍历data数组的对应key值，要求不是null，表明这个位置是有值的。
如果有key为null，要求pos=-1且haveNullValue=true
partitionedDestructiveSortedIterator
调用destructiveSortedIterator方法
destructiveSortedIterator
data数组中元素是分散的，首先将数组中的元素都集中到数组的前面。后面就跟PartitionedPairBuffer的partitionedDestructiveSortedIterator方法一样使用TimeSort进行排序。
采样相关方法
跟上面的PartitionedPairBuffer的采样相关方法一样。
spill相关方法
入口方法是maybeSpillCollection
maybeSpillCollection
不论使用的数据结构是buffer还是map，都是计算消耗的容量，再调用maybeSpill方法，最后重新初始化化对应数据结构。可以想到maybeSpill中就将缓存的数据放到了本地。
maybeSpill
每32条数据就进行一次内存使用情况判断。如果当前使用内存超过了限制，就先申请新的内存，按照两倍的内存使用量申请，不一定申请到足量的内存。申请后还是内存使用超过了限制，就进行spill，调用spill方法，同时调用releaseMemory释放内存。
releaseMemory
spill
调用destructiveSortedWritablePartitionedIterator方法返回排好序的分区迭代器。
调用spillMemoryIteratorToDisk将数据溢写到磁盘上
最后将生成的文件记录到spills中
destructiveSortedWritablePartitionedIterator
调用对应数据结构的partitionedDestructiveSortedIterator方法返回排序的迭代器。
就是上面的PartitionedPairBuffer和PartitionedAppendOnlyMap的partitionedDestructiveSortedIterator方法。
spillMemoryIteratorToDisk
创建临时文件，生成对应的writer
遍历将数据写入的文件中，每10000条进行一次flush。
如果失败了，调用revertPartialWritesAndClose进行回滚。
revertPartialWritesAndClose
如果这次写入出现问题，使用这个方法。回滚写入，只保留截止到上一次写入的内容。
writePartitionedMapOutput
将排好序的缓存和文件合并成一个文件输出。
spills为空，即没有产生排序文件。将缓存中数据生成排好序的迭代器，遍历写入到文件中。
存在排好序的文件。则需要调用partitionedIterator方法将文件数据和缓存的数据进行合并，再遍历输出。
partitionedIterator
调用merge方法合并内存和文件数据
merge
merge的第一个参数是spilled文件，第二个参数是内存缓存的数据。
流程是遍历分区，取出对应分区的spilled文件中和缓存中的数据。
根据情况进行聚合或者排序等操作后输出合并后的排好序的文件。
mergeSort
使用堆排序，但是heap中存放的是已经排好序的iterator。
最小值就是heap中首个iterator中的第一个元素。
mergeWithAggregation
有总排序，这样相同的key会在一起。
调用mergeSort将iterators合并成一个排好序的iterator。
next方法就是遍历key出来全部的值，进行合并后输出，因为是全局有序，不需要遍历iterator全部数据。
没有总排序
跟上面流程类似，先得到合并的iterator，但是它不是全局有序的。存在不同的key在comparator比较下相等，如使用hash进行比较，因此存在 aaabaaa 这种情况的key分布。
在获取相同key对应的值的时候需要遍历iterator的使用comparator和equal进行比较数据，再进行合并。返回值是一个comparator相同有可能key不同的key组成的iterator
