转载原文地址:
https://blog.csdn.net/u013761049/article/details/82492581
spark里面,大量使用了一个方法, ClosureCleaner.clean()----闭包资源清除。
为了能将RDD算子正常发送到各个worker节点。那么就需要序列化的类必须是正常的(指该类中的对外部的引用也能找到)
因此对一些没有用的资源进行删除、清理。在这个类的闭包范围内。
-
// 这里调用了SparkContext的clean方法
-
// clean方法实际上调用了ClosureCleaner的clean方法,这里一再清除闭包中的不能序列化的变量,防止RDD在网络传输过程中反序列化失败。
-
val cleanF = sc.clean(f)
-
private[spark]
def clean[F <: AnyRef](f: F, checkSerializable: Boolean = true): F = {
-
// clean方法实际上调用了ClosureCleaner的clean方法,这里一再清除闭包中的不能序列化的变量,防止RDD在网络传输过程中反序列化失败。
-
ClosureCleaner.clean(f, checkSerializable)
-
f
-
}
-
def clean(
-
closure: AnyRef,
-
checkSerializable:
Boolean =
true,
-
cleanTransitively:
Boolean =
true): Unit = {
-
// 直接就是调用下面的方法
-
clean(closure, checkSerializable, cleanTransitively,
Map.empty)
-
}
quora上有一篇参考文章 https://www.quora.com/What-does-Closure-cleaner-func-mean-in-Spark
大概意思,scala支持闭包(jvm上的闭包当然也是一个对像),闭包会把它对外的引用(闭包里面引用了闭包外面的对像)保存到自己内部,
这个闭包就可以被单独使用了,而不用担心它脱离了当前的作用域;
但是在spark这种分布式环境里,这种作法会带来问题,如果对外部的引用是不可serializable的,它就不能正确被发送到worker节点上去了;
还有一些引用,可能根本没有用到,这些没有使用到的引用是不需要被发到worker上的; ClosureCleaner.clean()就是用来完成这个事的;
ClosureCleaner.clean()通过递归遍历闭包里面的引用,检查不能serializable的, 去除unused的引用;
这个方法在SparkContext中用得很多,对rpc方法,只要传入的是闭包,基本都会使用这个方法,它可以降低网络io,提高executor的内存效率
csdn:http://www.jianshu.com/p/51f5a34e2785
csdn:http://www.cnblogs.com/ivanny/p/spark_ClosureCleaner_clean_function.html