spark中的广播变量broadcast

Spark中的Broadcast处理

首先先来看一看broadcast的使用代码:

val values = List[Int](1,2,3)

val broadcastValues = sparkContext.broadcast(values)

rdd.mapPartitions(iter => {

  broadcastValues.getValue.foreach(println)

})

在上面的代码中,首先生成了一个集合变量,把这个变量通过sparkContext的broadcast函数进行广播,

最后在rdd的每一个partition的迭代时,使用这个广播变量.

接下来看看广播变量的生成与数据的读取实现部分:

def broadcast[T: ClassTag](value: T): Broadcast[T] = {

  assertNotStopped()

  if (classOf[RDD[_]].isAssignableFrom(classTag[T].runtimeClass)) {

这里要注意,使用broadcast时,不能直接对RDD进行broadcast的操作.

    // This is a warning instead of an exception in order to avoid breaking

//       user programs that

    // might have created RDD broadcast variables but not used them:

    logWarning("Can not directly broadcast RDDs; instead, call collect() and "

      + "broadcast the result (see SPARK-5063)")

  }

通过broadcastManager中的newBroadcast函数来进行广播.

  val bc = env.broadcastManager.newBroadcast[T](value, isLocal)

  val callSite = getCallSite

  logInfo("Created broadcast " + bc.id + " from " + callSite.shortForm)

  cleaner.foreach(_.registerBroadcastForCleanup(bc))

  bc

}

在BroadcastManager中生成广播变量的函数,这个函数直接使用的broadcastFactory的对应函数.

broadcastFactory的实例通过配置spark.broadcast.factory,

     默认是TorrentBroadcastFactory.

def newBroadcast[T: ClassTag](value_ : T, isLocal: Boolean): Broadcast[T] = {

  broadcastFactory.newBroadcast[T](value_, isLocal, 

       nextBroadcastId.getAndIncrement())

}

在TorrentBroadcastFactory中生成广播变量的函数:

在这里面,直接生成了一个TorrentBroadcast的实例.

override def newBroadcast[T: ClassTag](value_ : T, isLocal: Boolean, id: Long)

: Broadcast[T] = {

  new TorrentBroadcast[T](value_, id)

}

TorrentBroadcast实例生成时的处理流程:

这里主要的代码部分是直接写入这个要广播的变量,返回的值是这个变量所占用的block的个数.

Broadcast的block的大小通过spark.broadcast.blockSize配置.默认是4MB,

Broadcast的压缩是否通过spark.broadcast.compress配置,默认是true表示启用,默认情况下使用snappy的压缩.

private val broadcastId = BroadcastBlockId(id)

private val numBlocks: Int = writeBlocks(obj)

接下来生成一个lazy的属性,这个属性只有在具体的使用时,才会执行,在实例生成时不执行(上面的示例中的getValue.foreach时执行).

@transient private lazy val _value: T = readBroadcastBlock()

override protected def getValue() = {

  _value

}

看看实例生成时的writeBlocks的函数:

private def writeBlocks(value: T): Int = {

这里先把这个广播变量保存一份到当前的task的storage中,这样做是保证在读取时,如果要使用这个广播变量的task就是本地的task时,直接从blockManager中本地读取.

  SparkEnv.get.blockManager.putSingle(broadcastId, value, 

StorageLevel.MEMORY_AND_DISK,

    tellMaster = false)

这里根据block的设置大小,对value进行序列化/压缩分块,每一个块的大小为blocksize的大小,

  val blocks =

    TorrentBroadcast.blockifyObject(value, blockSize, SparkEnv.get.serializer, 

    compressionCodec)

这里把序列化并压缩分块后的blocks进行迭代,存储到blockManager中,

  blocks.zipWithIndex.foreach { case (block, i) =>

    SparkEnv.get.blockManager.putBytes(

      BroadcastBlockId(id, "piece" + i),

      block,

      StorageLevel.MEMORY_AND_DISK_SER,

      tellMaster = true)

  }

这个函数的返回值是一个int类型的值,这个值就是序列化压缩存储后block的个数.

  blocks.length

}

在我们的示例中,使用getValue时,会执行实例初始化时定义的lazy的函数readBroadcastBlock:

private def readBroadcastBlock(): T = Utils.tryOrIOException {

  TorrentBroadcast.synchronized {

    setConf(SparkEnv.get.conf)

这里先从local端的blockmanager中直接读取storage中对应此广播变量的内容,如果能读取到,表示这个广播变量已经读取过来或者说这个task就是广播的本地executor.

    SparkEnv.get.blockManager.getLocal(broadcastId).map(_.data.next()) match {

      case Some(x) =>

        x.asInstanceOf[T]

下面这部分执行时,表示这个广播变量在当前的executor中是第一次读取,通过readBlocks函数去读取这个广播变量的所有的blocks,反序列化后,直接把这个广播变量存储到本地的blockManager中,下次读取时,就可以直接从本地进行读取.

      case None =>

        logInfo("Started reading broadcast variable " + id)

        val startTimeMs = System.currentTimeMillis()

        val blocks = readBlocks()

        logInfo("Reading broadcast variable " + id + " took" + 

              Utils.getUsedTimeMs(startTimeMs))

        val obj = TorrentBroadcast.unBlockifyObject[T](

          blocks, SparkEnv.get.serializer, compressionCodec)

        // Store the merged copy in BlockManager so other tasks on this executor don't

        // need to re-fetch it.

        SparkEnv.get.blockManager.putSingle(

          broadcastId, obj, StorageLevel.MEMORY_AND_DISK, tellMaster = false)

        obj

    }

  }

}

最后再看看readBlocks函数的处理流程:

private def readBlocks(): Array[ByteBuffer] = {

这里定义的变量用于存储读取到的block的信息,numBlocks是广播变量序列化后所占用的block的个数.

  val blocks = new Array[ByteBuffer](numBlocks)

  val bm = SparkEnv.get.blockManager

这里开始迭代读取每一个block的内容,这里的读取是先从local中进行读取,如果local中没有读取到数据时,通过blockManager读取远端的数据,通过读取这个block对应的location从这个location去读取这个block的内容,并存储到本地的blockManager中.最后,这个函数返回读取到的blocks的集合.

  for (pid <- Random.shuffle(Seq.range(0, numBlocks))) {

    val pieceId = BroadcastBlockId(id, "piece" + pid)

    logDebug(s"Reading piece $pieceId of $broadcastId")

    def getLocal: Option[ByteBuffer] = bm.getLocalBytes(pieceId)

    def getRemote: Option[ByteBuffer] = bm.getRemoteBytes(pieceId).map { block =>

      SparkEnv.get.blockManager.putBytes(

        pieceId,

        block,

        StorageLevel.MEMORY_AND_DISK_SER,

        tellMaster = true)

      block

    }

    val block: ByteBuffer = getLocal.orElse(getRemote).getOrElse(

      throw new SparkException(s"Failed to get $pieceId of $broadcastId"))

    blocks(pid) = block

  }

  blocks

}