spark广播变量

广播变量应用场景

由于spark的应用场景通常是分布式场景，在本地集合和分布式集合关联，且本地集合不太大的场景，rdd的处理是在不同的executor中不同的分区处理的，我们定义的全局变量通常是在driver中的，在executor中并没有，因此spark通过广播变量这种形式，可以把开发者定义的广播变量通过网络传输的方式，传第到每个executor中每个线程处理的分区中，同时，由于同一个executor中可能处理不止一个分区，为了节省内存，只会传输给其中一个线程，其他线程想要访问时，会先去找除自身外的线程是否已经存在广播变量，有则不再传输。

广播变量的使用很简单，将本地集合标识为广播变量即可，下面我们来看一个案例：

#使用方式：
#1.将本地ist标记成广播变量即可
broadcast = sc.broadcast(stu_info_list)
#2.使用广播变量，从broadcast对象中取出本地list对象即可
value broadcast.value
# 也就是先放进去broadcast内部，然后从broadcast内部在取出来用，中间传输的是broadcast:这个对象了
#只要中间传输的是broadcast对象sparki就会留意，只会给每个Executor发一份了，而不是傻傻的哪个分区要都给.

coding:utf8
import ...
if __name__ == '__main__':
    conf = SparkConf).setAppName("test").setMaster("local[*]")
    sc = SparkContext(conf=conf)
    stu_info_list = [(1,'张大仙'，11)，
                     (2,'王晓晓'，13)，
                     (3,'张甜甜'，11)，
                     (4,'王大力'，11)]
    #1.将本地Python List对象标记为广播变量，不标记实际上每个分区也拿的到但会有内存浪费
    broadcast = sc.broadcast(stu_info_list)
    score_info_rdd = sc.parallelize([
        (1,'语文'，99)，
        (2,'数学'，99)，
        (3,'英语'，99)，
        (4,'编程'，99)，
        (1,'语文'，99)，
        (2,'编程'，99)，
        (3,'语文'，99)，
        (4,'英语'，99)，
        (1,'语文'，99)，
        (3,'英语'，99)，
        (2,'编程'，99)
    ])

    def map_func(data):
        id = data[e]
        name = ""
        #匹配本地list和分布式rdd中的学生ID匹配成功后即可获得当前学生的姓名
        for stu_info in stu_info_list:
            stu_id = stu_info[0]
            if id == stu_id:
               name stu_info[1]
        return (name,data[1],data[2])
    print(score_info_rdd.map(map_func).collect())
      

此外，实际上所有广播变量的方式，都可以用两个rdd之间的join操作来实现同样的结构，如上面将stu_info_list也定义成rdd，但这样会造成数据的一个shuffle，如下，通过id匹配的话会发生多次网络传输，因此我们在本地数据集比较小的时候，可以通过广播变量进行优化，但数据集大时，还是需要分布式操作来加速