关闭

大数据IMF传奇行动绝密课程第42课:Checkpoint内幕解密

标签: spark
230人阅读 评论(1) 收藏 举报
分类:

Broadcast内幕解密

1、Broadcast彻底解析
2、Broadcast源码彻底详解
3、Broadcast最佳实践

一、Broadcast彻底解析
1、Broadcast就是将数据从一个节点发送到其它的节点上。例如Driver上有一张表,而Executor中的每个并行执行的Task(100万个Task)都要查询这张表,那我们通过Broadcast的方式就只需要往每个Executor把这张表发送一次就行了,Executor中的每个运行的Task查询这张唯一的表,而不是每次执行的时候都从Driver中获得这张表。
2、这就好像ServletContext的具体作用,只是Broadcast是分布式的共享数据,默认情况下只要程序在运行,Broadcast变量就会存在,因为Broadcast在底层是通过BlockManager管理的!但是你可以手动指定或者配置具体周期来销毁Broadcast变量。
3、Broadcast一般用于处理共享配置文件、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,因为其数据保存的StorageLevel是MEMORY_AND_DISK的方式。虽然如此,我们也不可以放入太大的数据在Broadcast中,因为网络IO和可能的单点压力会非常大。
4、广播Broadcast变量是只读变量,最为轻松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,最开始的时候数据放在Driver的本地文件系统中,Driver在本地会创建一个文件夹来存放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(StorageLevel是MEMORY_AND_DISK)获得BlockId(BroadcastBlockId),当第一次Executor中的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中注册该Broadcast中的数据给BlockManager,这样后续的Task需要访问Broadcast的变量的时候会首先查询BlockManager中有没有该数据,如果有就直接使用;
7、BroadcastManager是用来管理Broadcast的,该实例对象是在SparkContext创建SparkEnv的时候创建的

// Called by SparkContext or Executor before using Broadcast
private def initialize() {
    synchronized {
      if (!initialized) {
        val broadcastFactoryClass =
          conf.get("spark.broadcast.factory", "org.apache.spark.broadcast.TorrentBroadcastFactory")

        broadcastFactory =
          Utils.classForName(broadcastFactoryClass).newInstance.asInstanceOf[BroadcastFactory]

        // Initialize appropriate BroadcastFactory and BroadcastObject
        broadcastFactory.initialize(isDriver, conf, securityManager)

        initialized = true
      }
    }
}

在实例化BroadcastManager的时候会创建BroadcastFactory工厂来构建具体实际的Broadcast类型,默认情况下是TorrentBroadcastFactory
8、HttpBroadcast存在单点故障,和网络IO等性能问题,所以默认使用TorrentBroadcast的方式,开始数据在Driver中,假设A节点用了数据,B访问的时候A节点就变成数据源,依次类推,都是数据源,当然是被BlockManager进行管理的,数据源越多,节点压力会大大降低
9、TorrentBroadcast按照BLOCK_SIZE(默认是4MB)将Broadcust中的数据划分成为不同的Block,然后将分块信息也就是meta信息存放到Driver的BlockManager中,同时会告诉BlockManagerMaster说明Meta信息存放完毕

0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:25203次
    • 积分:1382
    • 等级:
    • 排名:千里之外
    • 原创:125篇
    • 转载:0篇
    • 译文:0篇
    • 评论:1条
    文章分类
    最新评论