前言
reduceByKey会将上一个RDD中的每一个key对应的所有value聚合成一个value，然后生成一个新的RDD，元素类型是<key,value>对的形式，这样每一个key对应一个聚合起来的value。聚合之前，每一个key对应的value不一定都是在一个partition中，也不太可能在同一个节点上，因为RDD是分布式的弹性的数据集，RDD的partition极有可能分布在各个节点上。在1.6版本中有两种管理机制：hashShuffleManager、sortShuffleManager。在2.3版本中砍掉了hashShuffleManager，只留下了sortShuffleManager。
hashShuffleManager
1.普通机制
上图中1个cpu core，2个task，必定串行运行。一个Task的数据写往内存Buffer缓冲区，每个Buffer的大小是32k，有几个reduceTask就写往几个buffer。每个buffer对应一个磁盘小文件。然后reduce端就从各个节点拉取属于自己的磁盘小文件。小文件个数=map个数*reduce个数
缺陷
产生的磁盘小文件过多，会导致：
1.shuffle write过程会产生很多写磁盘小文件的对象
2.shuffle read过程会产生很多读取磁盘小文件的对象
3.在JVM堆内存中对象过多就会造成频繁GC，如果GC都解决不了运行所需内存问题，就会OOM
4.数据传输过程中会有频繁的网络通信，频繁的网络通信出现通信故障的可能性大大增加，一旦网络通信出现了故障会导致shuffle file cannot find 由于这个错误导致的task失败，TaskScheduler不负责重试，由DAGScheduler负责重试Stage。
2.合并机制-优化
task共用一个buffer缓冲区，小文件个数=core个数*reduce个数
sortShuffleManager
能够替代hashShuffleManager，主要就是为了解决磁盘I/O问题。
1.普通机制
小文件个数：2map （2包含索引文件和磁盘文件）
1.map task 的计算结果会写入到一个内存数据结构里面，内存数据结构默认是5M
2.在shuffle的时候会有一个定时器，不定期的去估算这个内存结构的大小，当内存结构中的数据超过5M时，比如现在内存结构中的数据为5.01M，那么他会申请5.012-5=5.02M内存给内存数据结构。
3.如果申请成功不会进行溢写（继续写往内存），如果申请不成功，这时候会发生溢写磁盘。
4.在溢写之前内存结构中的数据会根据分区号进行排序（0、1、2）
5.然后开始溢写磁盘，写磁盘是以batch的形式去写，一个batch是1万条数据，
6.map task执行完成后，会将这些磁盘小文件合并成一个大的磁盘文件（0号在一块，1号在一块…），同时生成一个索引文件。
7.reduce task去map端拉取数据的时候，首先解析索引文件，根据索引文件再去拉取对应的数据。
2.byPass机制
相比于普通模式，丢弃了排序。诸如：repartition之类的算子涉及到了重新分区，所有排序在此处就毫无意义了。
总结：
① bypass运行机制的触发条件如下：
shuffle reduce task的数量小于spark.shuffle.sort.bypassMergeThreshold的参数值。这个值默认是200。
产生的磁盘小文件为：2*M（map task的个数）
②map端不能有预聚合
