为什么混洗溢出比混洗读取或输出大小大得多？

Question

我有一个相当简单的PySpark作业，其中的最后一个阶段读取一些混洗的数据，在窗口上执行一些聚合，然后写入HDFS。中位数任务有：

1. 读取130 MB随机播放
2. 3.4 MB输出大小（写入HDFS）
3. 2.0 GB随机溢出（内存）
4. 140 MB随机溢出（磁盘）

各个任务之间存在偏差，但没有太大的变化。

我的问题：由于每个任务仅读取了130 MB的shuffle，并且没有进行shuffle写入（因为没有后续阶段），所以每个任务怎么可能会有2 GB的shuffle溢出？

我的理解是，如果执行数据占用过多的RAM，则混洗数据会从内存溢出到磁盘。但是在这里，从内存溢出的数量远远大于混洗数据的总大小。一般来说，混洗溢出的数据怎么会比混洗数据的大小大？