Spark中的闭包引用和广播变量

2024-05-03 19:07 由 Ji_Lei 发表于 #数据库

闭包引用

所有编程语言都有闭包的概念，闭包就是在一个函数中引用了函数外的变量。

Spark中，普通的变量是在Driver程序中创建的，RDD的计算是在分布式集群中的task程序上进行的。因此，当分布式算子的函数引用了外部的变量时，Driver会把该变量序列化后通过网络发送给每一个task（只针对普通对象）。

spark中所谓"闭包引用"，只是看起来类似各种编程语言中的闭包。而本质上就是对某个对象进行序列化+复制，即Driver把分布式算子中引用的外部变量序列化后，发送给每个task来使用。

在闭包函数内对外部变量进行修改，闭包外的变量的并不会改变。因为在闭包函数内的修改，只是在task上对复制过来的闭包对象副本的修改，并不会影响到driver端的原对象，他们是存在于两台机器上的独立的文件，互不影响。

应用于大表join小表的场景，将小表数据（字典表、维度表）发送到大表所在节点的内存中，在map阶段完成join，无需通过两个rdd去join，省去了shffule操作。

1、闭包引用的对象，必须实现序列化接口：extends Serializable

2、被引用的对象，数据量不能太大，否则会导致task端内存溢出。

单例对象（object对象）只在每个executor进程中持有一份，由其中的多个task线程共享。不要在task中对单例对象进行修改操作，否则会产生线程安全问题。而普通对象在每个task线程中都持有一份，不存在线程安全问题。

闭包引用的场景中，Spark为每个task都复制了一份它需要的数据，当数据量较大且task较多时，必然会给网络io和内存资源造成很大压力，而广播变量只给每个executor发送一份变量副本，由多个task共享。

1、闭包引用中，是由driver给每个executor直接发送数据。广播变量中，是通过bittorrent协议来发送数据的，可以减少通信成本。(所有executor遵循了人人为我，我为人人的原则)。

2、闭包引用中，每个task持有一份引用对象的副本，并可以修改（只在该task线程生效）；广播变量中，一个executor只持有一份广播变量的副本，由多个task共享，该数据是只读的，不可修改。