Spark共享变量-技术圈

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