背景
前段时间做的是一个流式项目里,场景为:对于流式数据,使用过滤规则进行实时过滤并产出结果数据。流式数据为源源不断的IP,筛选出在合格IP集合中的数据,传输到下游消息中间件中。
技术选型
上游数据从消息中间件中读取,处理采用Spark Streaming,下游也采用消息中间件。
广播变量
广播变量的适用场景
在Spark这种分布式计算中,如果每个算子都需要读取一个变量,并且变量的数据量最好在百级,则采用广播变量,把这个变量广播到各个executor算子中;
广播变量相对于外部变量的优点
- 减少了各个算子间数据的网络传输;很明显,广播变量一旦广播后,在所有executor中都存在了,不随task的变化而变化。但是对于外部变量来说,其随着task的变化而变化,如果task中用到了,它则需要从各个节点中拉取/传输/删除;
- 减少了内存占用;广播变量的数据存储在executor的共享内存中,即:一个executor中只存储一份广播变量;但是外部变量则是一个task中都存储一份,一个executor中分配到了多少task,则存储多少份外部变量;
ps:Spark中executor的内存管理见之前写的文章:https://blog.csdn.net/qq_35583915/article/details/109359939