Spark共享变量
Python之王
共 4485字，需浏览 9分钟
·
2024-04-11 14:56
Spark 提供了两类共享变量：广播变量（Broadcast variables）/累加器（Accumulators）
广播变量
创建广播变量的方式：
-
从普通变量创建广播变量 : 由 Driver 分发各 Executors- 从分布式数据集创建广播变量 : Driver 拉取各 Executors 分区数并合并， 再分发各Executors
普通变量广播
普通变量分发 ：
-
普通变量在 Driver 端创建 (非分布式数据集)，要把普通变量分发给每个 Task- 以 Task 粒度分发，当有 n 个 Task，变量就要分发 n 次- 在同个 Executor 内部，多个不同的 Task 多次重复缓存同样的内容 , 对内存资源浪费
广播变量分发：
-
以 Executors 粒度分发，同个 Executor 的 各 Tasks 互相拷贝。即：变量分发数 = Executors 数 普通变量广播：
val list: List[String] = List("Apache", "Spark")
val bc = sc.broadcast(list)
分布式数据集广播
创建分布式数据集广播：
val userFile: String = "hdfs://ip:port/rootDir/userData"
val df: DataFrame = spark.read.parquet(userFile)
val bc_df: Broadcast[DataFrame] = spark.sparkContext.broadcast(df)
分布式数据集广播过程 :
-
Driver 从所有的 Executors 拉取这些数据分区，再在本地构建全量数据- Driver 把合并的全量数据分发给各个 Executors- Executors 收到数据后，缓存到存储系统的 BlockManager
克制 Shuffle
无优化时，默认用 Shuffle Join
val transactionsDF: DataFrame = _
val userDF: DataFrame = _
transactionsDF.join(userDF, Seq("userID"), "inner")
Shuffle Join 的过程 ：
-
对关联俩表分别进行 Shuffle1. Shuffle 的分区规则：先对 Join keys 计算哈希值，再对哈希值进行分区数取模1. Shuffle 后，同 key 的数据会在同个 Executors1. Reduce Task 对 同 key 的数据进行关联
优化代码：
import org.apache.spark.sql.functions.broadcast
val transactionsDF: DataFrame = _
val userDF: DataFrame = _
val bcUserDF = broadcast(userDF)
transactionsDF.join(bcUserDF, Seq("userID"), "inner")
广播过程：
-
Driver 从所有 Executors 收集 userDF 的所有数据分片，再在本地汇总数据1. 给每个 Executors 都发送一份全量数据，各自在本地关联1. 利用广播变量 ，就能避免 Shuffle 
强制广播
广播注意点：
-
创建广播变量越大，网络开销和 Driver 内存也就越大。当广播变量大小 > 8GB，就会直接报错- Broadcast Joins 不支持全连接（Full Outer Joins）- 左连接（Left Outer Join）时，只能广播右表- 右连接（Right Outer Join）时，只能广播左表
配置项
两张 Join 表，只要其中一张表的尺寸 < 10MB，就会采用 Broadcast Joins 做数据关联
# 采用 Broadcast Join 实现的最低阈值
spark.sql.autoBroadcastJoinThreshold 10m
数据在存储/内存大小差异的原因：
-
为了存储/访问效率，数据采用 Parquet/ORC 格式进行落盘- JVM 一般需要比数据原始更大的内存空间来存储对象 准确预估表在内存的大小：
-
把表缓存到内存，如: DataFrame/Dataset.cache1. 读取执行计划的统计数据
val df: DataFrame = _
df.cache.count
val plan = df.queryExecution.logical
val estimated: BigInt = spark
.sessionState
.executePlan(plan)
.optimizedPlan
.stats
.sizeInBytes
Join Hints
Join Hints ：在开发中用特殊的语法，告知 Spark SQL 运行时采用这种 Join
val table1: DataFrame = spark.read.parquet(path1)
val table2: DataFrame = spark.read.parquet(path2)
table1.createOrReplaceTempView("t1")
table2.createOrReplaceTempView("t2")
val query: String = "select /*+ broadcast(t2) */ * from t1
inner join t2 on t1.id = t2.id"
val queryResutls: DataFrame = spark.sql(query)
DataFrame 的 DSL 语法中使用 Join Hints ：
table1.join(table2.hint("b"roadcast"), Seq("key"), "inner")
broadcast
广播数据表 :
import org.apache.spark.sql.functions.broadcast
table1.join(broadcast(table2), Seq(“key”), “inner”)
广播设置要点：以广播阈值配置为主，以强制广播为辅
累加器
累加器的作用：全局计数（Global counter） SparkContext 提供了 3 种累加器 ：
-
longAccumulator：Long 类型的累加器- doubleAccumulator ：对 Double 类型的数值做全局计数- collectionAccumulator ：定义集合类型的累加器 累加器在 Driver 端定义，在 RDD 算子中调用 add 进行累加。最后在 Driver 端调用 value ，就能获取全局计数结果
// 定义 Long 类型的累加器
val ac = sc.longAccumulator("Empty string")
def f(x: String): Boolean = {<!-- -->
if(x.equals("")) {<!-- -->
// 当遇到空字符串时，累加器加 1
ac.add(1)
return false
} else {<!-- -->
return true
}
}
//用 f 对 RDD 进行过滤
val cleanWordRDD: RDD[String] = wordRDD.filter(f)
// 作业执行完毕，通过调用 value 获取累加器结果
ac.value
评论