SparkBroadcast运行机制解密(42)-创新互联
一、Broadcast彻底解密
创新互联公司长期为数千家客户提供的网站建设服务,团队从业经验10年,关注不同地域、不同群体,并针对不同对象提供差异化的产品和服务;打造开放共赢平台,与合作伙伴共同营造健康的互联网生态环境。为中山企业提供专业的成都网站设计、成都做网站,中山网站改版等技术服务。拥有10余年丰富建站经验和众多成功案例,为您定制开发。1、Broadcast就是将数据从一个节点发送到其他节点。
2、Broadcast是分布式的共享数据,默认情况下只要程序运行Broadcast变量就会存在,因为Broadcast底层是由BlockManager管理的,但是也可以手动销毁Broadcast变量。
3、Broadcast一般用于处理共享的配置文件,通用的Dataset、常用的数据结构等等,但是不适合存放太大的数据在Broadcast,Broadcast不会内存溢出,因为其数据的保存的StorageLevel是MEMORY_AND_DISK,虽然如此,也不可以放太大的数据,因为网络IO和可能的单点压力会非常大。
4、广播的Broadcast变量是只读变量,保持了数据的一致性。
5、Broadcast的使用:
* {{{
* scala> val broadcastVar = sc.broadcast(Array(1, 2, 3))
* broadcastVar: org.apache.spark.broadcast.Broadcast[Array[Int]] = Broadcast(0)
*
* scala> broadcastVar.value
* res0: Array[Int] = Array(1, 2, 3)
* }}}
6、HttpBroadcast方式的Broadcast:最开始的时候数据存在Driver的文件系统中,Driver会在本地创建一个文件夹存放Broadcast中的data,然后启动HttpServer来访问文件夹中的数据,同时写入到BlockManager中,获得BlockId(BroacastBlockId)。当第一次Executor中Task要访问Broadcast变量的时候,会向Driver通过HttpServer来访问数据,然后会在Executor中的BlockManager中注册,这样后续的Task需要访问Broadcast变量的时候会首先查询当前Executor的BlockManager中是否存在,如果存在就就直接获取数据。
7、BroadcastManager是用来管理Broadcast的,该对象是在SparkContext创建SparkEnv的时候创建的。在实例化BroadcastManager的时候会创建BroadcastFactory工厂来构建具体的Broadcst类型,默认是TorrentBroadcastFactory。
8、HttpBroadcast存在单点故障和网络IO性能问题,所以默认使用TorrentBroadcast的方式,开始数据存放在Driver端,假设A点需要访问数据,就会去Driver端拿数据,然后在本地存储一份,A节点也就拥有了一个副本,A节点也就成了数据源,降低了节点压力。
9、TorrentBroadcast按照BLOCK_SIZE(默认4m)将Broadcast中的数据划分成不同的block,然后讲分块信息也就是meta信息存放到Driver端的BlockManager中,同时会通知BlockManagerMaster说明meta信息存放完毕。
二、Broadcast源码解密
当广播数据的时候,会调用SparkContext的broadcast方法,在方法内部,Broadcast是由BroadcastManager管理创建的,而BroadcastManager又是有SparkEnv管理的,
SparkEnv是由SparkContext中的createSparkEnv创建的,进而调用SparkEnv的createDriverEnv方法,最终会调用create自身的方法,构建一些所需的组建。管理Broadcast的BoradcastManager就在此方法中创建。
在创建BroadcastManager实例的时候,回调用initialize初始化方法,创建BoradcastFactory,默认是TorrentBroadcastFactory:咋
BroadcastManager初始化之后,就可以调用newBroadcast方法,根据BroadcastFactory创建相应的Broadcast(TorrentBroadcast)进行数据的广播:
TorrentBroadcastFactory的newBroadcast方法创建一个TorrentBroadcast实例。当我们进行数据的广播的时候,会调用writeBlocks方法,将广播的数据划分成多个block块(默认是4m),把这些block块存放在Driver端:
当获取广播变量的值时,会调用相应Broadcast的getValue方法,在TorrentBroadcast中readBroadcastBlock方法,首先会在本地的BlockManager根据BroadcastBlockId获取数据,如果获取不到进而调用readBlocks方法
TorrentBroadcast中的readBlocks方法会从Driver端或者其他的Executor获取相应的block快数据,然后把获取的block数据保存到Executor的BlockManager中:
另外有需要云服务器可以了解下创新互联scvps.cn,海内外云服务器15元起步,三天无理由+7*72小时售后在线,公司持有idc许可证,提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案,具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势,专为企业上云打造定制,能够满足用户丰富、多元化的应用场景需求。
分享文章:SparkBroadcast运行机制解密(42)-创新互联
文章地址:http://myzitong.com/article/dccdje.html