Spark Broadcast源码分析

本博文的主要内容包括：
1、Broadcast功能描述
2、Broadcast创建过程
3、Broadcast读写原理
一、功能描述
Broadcast是指将数据从一个节点发送到其他节点，供其计算使用，是spark在计算过程中非常常用的方式，通常使用方式，包括共享配置文件，map数据集，树形数据结构等，为能够更好更快速为TASK任务使用相关变量。但是Broadcast不适合存放过大的数据，这会导致网络IO性能变差或者过重的单点压力。
Broadcast的基本用法：

      本文是借鉴网络大神的经验，结合自己的走读的一些总结，如有雷同之处，希望谅解！


二、创建过程


Broadcast是典型的建造者模式方法，相对内部设计相对较为简单，同时初始化并非直接创建Broadcast对象，作用有两个方面：

1）依据配置属性（spark.broadcast.factory）创建BroadcastFactory对象 - 反射创建。

2）将sparkConf对象注入Broadcast中，同时定义压缩编码。


初始化入口sparkContext启动时创建，调用过程如下：

1）SparkContext#构造方法
2）SparkEnv#create
3）BroadcastManager#initialize（）
4）TorrentBroadcastFactoryr#initialize（isDriver: Boolean, conf: SparkConf, securityMgr: SecurityManager）
5）TorrentBroadcast#initialize(_isDriver: Boolean, conf: SparkConf)


SparkContext初始化SparkEnv，在SparkEnv内创建BroadcastManager，代码如下：

SparkContext

[html]  view plain  copy

1. // Create the Spark execution environment (cache, map output tracker, etc)    
2.   // 创建spark的执行环境    
3.   private[spark] val env = SparkEnv.create(    
4.     conf, // spark配置文件    
5.     "<driver>",    
6.     conf.get("spark.driver.host"), // 主机名    
7.     conf.get("spark.driver.port").toInt, // 端口号    
8.     isDriver = true, // 默认启动SparkContext客户端，便是Driver    
9.     isLocal = isLocal,// 是否是本地运行，是通过master获取该值，如果是submit提交，请参考SparkSubmitArguments类，会将参数转换为master    
10.     listenerBus = listenerBus     
11.     /* spark监听总线（LiveListenerBus）,他是负责监听spark事件，包括job启动和介绍、BlockManage的添加等等，简单理解UI能看到的变化都是这块监听的，   
12.      * 如果有时间，可以将这块与大家分享一下，底层使用队列实现，典型观察者模式实现，未使用akka实现 */    
13.     )    
14.   SparkEnv.set(env) // 注册SparkEnv对象  

SparkEnv中初始化BroadcastManager

[html]  view plain  copy

1. val blockManager = new BlockManager(executorId, actorSystem, blockManagerMaster,    
2.       serializer, conf, securityManager, mapOutputTracker, shuffleManager)    
3.     
4. val connectionManager = blockManager.connectionManager    
5.     
6. val broadcastManager = new BroadcastManager(isDriver, conf, securityManager)    
7.     
8. val cacheManager = new CacheManager(blockManager)  

BroadcastManager构造函数调用initialize方法构建

[html]  view plain  copy

1. // Called by SparkContext or Executor before using Broadcast    
2.   // 一个context仅初始化一次，默认是Torrent    
3.   private def initialize() {    
4.     // TODO 初始化BroadcastFactory    
5.     // 1.确定仅有第一次进入时，创建BroadcastFactory对象    
6.     // 2.初始化BroadcastFactory，并与BroadcastManager建立hook    
7.         
8.     synchronized {    
9.       if (!initialized) {    
10.    
11.         val broadcastFactoryClass =    
12.           conf.get("spark.broadcast.factory", "org.apache.spark.broadcast.TorrentBroadcastFactory")  //默认采用<span style="font-family: Arial, Helvetica, sans-serif;">TorrentBroadcastFactory</span>  
13.         broadcastFactory =    
14.           Class.forName(broadcastFactoryClass).newInstance.asInstanceOf[BroadcastFactory]    
15.     
16.         //初始化BroadcastFactory，并与BroadcastManager建立hook    
17.         broadcastFactory.initialize(isDriver, conf, securityManager)    
18.         //表示第一次进入完毕    
19.         initialized = true    
20.       }    
21.     }    
22.   }  

TorrentBroadcastFactory调用initialize方法

[java]  view plain  copy

1. override def initialize(isDriver: Boolean, conf: SparkConf, securityMgr: SecurityManager) {    
2.     TorrentBroadcast.initialize(isDriver, conf)    
3. }  

将sparkConf对象注入Broadcast中，并定义压缩方式

[java]  view plain  copy

1. /** 初始化TorrentBroadcast属性 */    
2.   def initialize(_isDriver: Boolean, conf: SparkConf) {    
3.     TorrentBroadcast.conf = conf // TODO: we might have to fix it in tests    
4.     synchronized {    
5.       if (!initialized) {    
6.         compress = conf.getBoolean("spark.broadcast.compress", true)    
7.         compressionCodec = CompressionCodec.createCodec(conf)    
8.         initialized = true    
9.       }    
10.     }    
11.   }  

broadcast是在sparkContext创建时完成的，broadcast类型、压缩方式也是在创建过程中完成的定义，但是，目前还无法实现app中不同job使用不同的broadcast，广播的方式只能选择TorrentBroadcast和HttpBroadcast的一种。spark默认使用TorrentBroadcast（并发），效率相对要比http要好，同时避免单机热点的产生，比较适合分布式系统的思想。思想类似于迅雷BT下载，已使用的executor越多，速度越快。

Broadcast创建

driver首先要将值序列化到byteArray中，然后再按block大小进行分割（默认是4M），将信息存放在driver的blockmanage中，并通知BlockManageMaster，完成注册，并可以让所有executor读取，存储方式MEMORY_AND_DISK。

使用write顺序：

1）SparkContext#broadcast  外层方法，使用sc.broadcast 进行广播

2） BroadcastManager#newBroadcast(value_ : T, isLocal: Boolean)

3）TorrentBroadcastFactory#newBroadcast(value_ : T, isLocal: Boolean, id:Long)

4）TorrentBroadcast#构造函数

5）TorrentBroadcast#writeBlocks

6）BlockManage#putBytes(

      blockId: BlockId,

      bytes: ByteBuffer,

      level: StorageLevel,

      tellMaster: Boolean = true,

      effectiveStorageLevel:Option[StorageLevel] = None)   最终存储

当然，使用广播较为简单，但是，如果sparkContext长时间执行多个job时，则考虑注销广播，或者尽量广播要小，否则会造成性能严重下降，具体原因尚未研究。

注销方式代码如下：

[java]  view plain  copy

1. val broadcastValue = sc.broadcast(存储值)  
2. broadcastValue.unpersist() //方法一  
3. SparkEnv.get.broadcastManager.unbroadcast(id, false, false) //方法二  

创建时，使用SparkContext的broadcast方法，并将值一直传递至TorrentBroadcast，并构建TorrentBroadcast对象，同时完成将值交给BlockManage进行注册，并序列化在本地存储。（SparkEnv.get.blockManager.putBytes方法）

TorrentBroadcast

[java]  view plain  copy

1. private[spark] class TorrentBroadcast[T: ClassTag](    
2.     obj : T,    
3.     @transient private val isLocal: Boolean,    
4.     id: Long)    
5.   extends Broadcast[T](id) with Logging with Serializable {    
6.     
7.     
8.  /** 1.driver是直接读取本地的值  
9.   *  2.其他executor是依靠blockManager读取（readObject） */    
10.   @transient private var _value: T = obj    
11.     
12.   /* 固定格式：  
13.   * broadcastId = broadcast_广播ID  
14.   * blockID = broadcast_广播ID_piece[1,2,3,4] */    
15.   private val broadcastId = BroadcastBlockId(id)    
16.     
17.   /** 1.广播值交给blockManager管理  
18.    *  2.广播转换为ByteArray，返回数据块的长度 */    
19.   private val numBlocks: Int = writeBlocks()    
20.     
21.   override protected def getValue() = _value  

[java]  view plain  copy

1. }  

writeBlocks是主要执行写方法，主要功能便是按照定义的广播块大小切分数据（默认是4M，spark.broadcast.blockSize），其后将块注册blockManage，并写入本地磁盘中。

writeBlocks(){
   1.blockifyObject  数据切分方法
   2.BlockManage.putBytes  数据存储方法
}

blockifyObject  代码如下：

[java]  view plain  copy

1. /** 切分数据，方法较为实用，可作为工具类 
2.    *  @param obj 切分数据对象 */    
3.   def blockifyObject[T: ClassTag](obj: T): Array[ByteBuffer] = {    
4.     // TODO: Create a special ByteArrayOutputStream that splits the output directly into chunks    
5.     // so we don't need to do the extra memory copy.    
6.     // TODO 数据切块，按照默认的4M切分数据块，返回4MByteBuffer(数据体检变小)    
7.     //      数据 -> 压缩 -> 序列化 -> 分割    
8.     // 1. 声明输出流（定义压缩方式和序列化）    
9.     // 2. 压缩后数据按4M进行分割    
10.     // 3. 返回ByteBuffer字符    
11.         
12.     // 1.0 定义输出流    
13.     val bos = new ByteArrayOutputStream()    
14.     // 1.1 包装压缩方式    
15.     val out: OutputStream = if (compress) compressionCodec.compressedOutputStream(bos) else bos    
16.     // 1.2 创建序列化对象    
17.     val ser = SparkEnv.get.serializer.newInstance()    
18.     // 1.3 包装序列化输出流（默认java序列化，不过一般推荐KryoSerializer，建议修改spark-defaults.conf）    
19.     val serOut = ser.serializeStream(out)    
20.     // 1.4 将value写至ByteArray中    
21.     serOut.writeObject[T](obj).close()    
22.     val byteArray = bos.toByteArray    
23.     // 2.0 将ByteArray转换为输入流    
24.     val bais = new ByteArrayInputStream(byteArray)    
25.     // 2.1 获取分割块数，ceil有余数+1    
26.     val numBlocks = math.ceil(byteArray.length.toDouble / BLOCK_SIZE).toInt    
27.     // 2.2 定义数据块集合    
28.     val blocks = new Array[ByteBuffer](numBlocks)    
29.     // 2.3 定义块ID    
30.     var blockId = 0    
31.     // 2.4 循环按4M分割数据块,步长为4M    
32.     for (i <- 0 until (byteArray.length, BLOCK_SIZE)) {    
33.       // 2.4.1 定义装载4M的byte的容器    
34.       val thisBlockSize = math.min(BLOCK_SIZE, byteArray.length - i)    
35.       val tempByteArray = new Array[Byte](thisBlockSize)    
36.       // 2.4.2 装载数据    
37.       bais.read(tempByteArray, 0, thisBlockSize)    
38.       blocks(blockId) = ByteBuffer.wrap(tempByteArray)    
39.       // 2.4.3 index加一    
40.       blockId += 1    
41.     }    
42.     // 3.0 切分结束，关闭流    
43.     bais.close()    
44.     // 3.1 返回流    
45.     blocks    
46.   }  

Broadcast读取

broadcase写入是优先写入依据存储策略写入本地（BlockManage#putBytes方法），既然序列化数据是本地存储，由此而来的问题是读取问题，BlockManage存储数据并不似hdfs会依据备份策略存储多份数据放置不同节点（但是多提一句，Spark的taskScheblue是拥有类似机架感知策略分配任务），如没有备份数据，那么必然产生一下数个问题：
   1.节点故障，无法访问节点数据
   2.数据热点，所有任务皆使用该数据
   3.网络传输，所有节点频繁访问单节点
那么解决该问题，spark并没有使用HDFS的思想，而选择是P2P点对点方式（BT下载）解决问题，是只要使用过broadcase数据，则在本接节点存储数据，由此变成新的数据源，随和数据源不断增加速度也会越来越快，刚开始传输则相对会慢一些，同时，以上不建议使用大文件broadcase，亦是如此，如果使用较为频繁的数据，他相当于每个节点都要存储一份，形成网状传输方式交换数据，因此建议存储配置文件或某种数据结构为上佳选择。
 
调用顺序：
1）TorrentBroadcast#readObject()
2）TorrentBroadcast#readBlocks()
3）BlockManage#getLocalBytes(blockId:BlockId) / getRemoteBytes(blockId: BlockId)
4）BlockManage#putBytes()

readObject是broadcase读取的主方法，管理整个读取策略

[java]  view plain  copy

1. /** Used by the JVM when deserializing this object. */    
2.   private def readObject(in: ObjectInputStream) {    
3.     // TODO 读取广播变量，有便读取本地，没有则远程并存储在本地    
4.         
5.     // 1.0 可读取对象中静态变量    
6.     in.defaultReadObject()    
7.     // 2.0 读取广播变量（单个executor独享）    
8.     TorrentBroadcast.synchronized {    
9.       // 2.1 读取本地广播数据    
10.       SparkEnv.get.blockManager.getLocal(broadcastId).map(_.data.next()) match {    
11.         // 2.2 获取本地数据成功    
12.         case Some(x) =>    
13.           _value = x.asInstanceOf[T]    
14.         // 2.3 获取本地数据失败    
15.         case None =>    
16.           // 2.4 获取Blocks，同时将块存储到本地    
17.           logInfo("启动读取 broadcast variable " + id)    
18.           val start = System.nanoTime()    
19.           val blocks = readBlocks()    
20.           val time = (System.nanoTime() - start) / 1e9    
21.           logInfo("Reading broadcast variable " + id + " took " + time + " s")    
22.     
23.           // 2.5 将数据块反序列化，并解压缩    
24.           _value = TorrentBroadcast.unBlockifyObject[T](blocks)    
25.           // Store the merged copy in BlockManager so other tasks on this executor don't    
26.           // need to re-fetch it.    
27.           SparkEnv.get.blockManager.putSingle(    
28.             broadcastId, _value, StorageLevel.MEMORY_AND_DISK, tellMaster = false)    
29.       }    
30.     }    
31.   }  

readBlocks则是实现P2P思想的具体实现者，代码如下：

[java]  view plain  copy

1. /** Fetch torrent blocks from the driver and/or other executors. */    
2.   private def readBlocks(): Array[ByteBuffer] = {    
3.     // Fetch chunks of data. Note that all these chunks are stored in the BlockManager and reported    
4.     // to the driver, so other executors can pull these chunks from this executor as well.    
5.         
6.     // 1.0 定义数据块集合    
7.     val blocks = new Array[ByteBuffer](numBlocks)    
8.     // 1.1 引用blockManager    
9.     val bm = SparkEnv.get.blockManager    
10.         
11.     // 2.0 循环遍历所有块，避免访问热点，随机顺序读    
12.     for (pid <- Random.shuffle(Seq.range(0, numBlocks))) {    
13.       // 2.1 组装块ID    
14.       val pieceId = BroadcastBlockId(id, "piece" + pid)    
15.     
16.       // First try getLocalBytes because  there is a chance that previous attempts to fetch the    
17.       // broadcast blocks have already fetched some of the blocks. In that case, some blocks    
18.       // would be available locally (on this executor).    
19.       // 2.2 他会先查本地，继而查询远程，但是前面已经查找的是广播，现在查找的是认数据块（区别）    
20.       var blockOpt = bm.getLocalBytes(pieceId)    
21.       // 2.3 如果本地为查询到结果，则通过blockManager远程获取，并将数据存储到本地    
22.       if (!blockOpt.isDefined) {    
23.         blockOpt = bm.getRemoteBytes(pieceId)    
24.         blockOpt match {    
25.           case Some(block) =>    
26.             // If we found the block from remote executors/driver's BlockManager, put the block    
27.             // in this executor's BlockManager.    
28.             SparkEnv.get.blockManager.putBytes(    
29.               pieceId,    
30.               block,    
31.               StorageLevel.MEMORY_AND_DISK_SER,    
32.               tellMaster = true)    
33.     
34.           case None =>    
35.             throw new SparkException("Failed to get " + pieceId + " of " + broadcastId)    
36.         }    
37.       }    
38.       // If we get here, the option is defined.    
39.       // 3.0 赋值数据块集合    
40.       blocks(pid) = blockOpt.get    
41.     }    
42.     // 3.1 返回数据块    
43.     blocks    
44.   }  

相关配置属性说明：（在spark-default.conf中设置）
spark.broadcast.factory 定义使用http或Torrent方式，默认是Torrent，无需修改
spark.broadcast.blockSize 数据库块大小，blockifyObject依据此属性切分数据块，默认4M
spark.broadcast.compress 是否压缩，默认是使用，sparkcontext初始化该属性，无需修改。