PySpark学习笔记4-共享变量，内核调度

共享变量

解决方案一-广播变量

将本地列表标记成广播变量

可以实现降低内存占用和减少网络IO传输，提高性能

boradcast = sc.boardcast(stu_info_list)
value = broadcast.value

解决方案二-累加器

acmlt = sc.accumulator(0)

可以收集执行器的执行结果并作用在自己的身上
Spark内核调度

DAG：有向五环图

一个action会产生一个DAG

一个DAG运行会产生一个job

一个代码运行起来包含叫做Application，包含多job

DAG和分区关联后，可以得到有分区关系的DAG图
DAG的宽窄依赖和阶段划分

窄依赖：父RDD的一个分区，将全部数据发给子RDD的一个分区

宽依赖： 父RDD的一个分区会将数据发给子RDD的多个分区

宽依赖还有一个别名shuffle

对于Spark过程，会按照宽依赖划分不同的DAG阶段，从后向前，遇到一个宽依赖就换分出一个阶段，成为stage，二每个stage的内部一定都是窄依赖
面试题1

spark怎么做内存计算的？DAG的作用？stage阶段划分的作用？

spark会使用DAG图进行内存计算，DAG图会根据分区和宽窄依赖划分阶段，每一个阶段饿的内部都是窄依赖，这些内存迭代计算的管道形成一个个具体的执行任务，一个任务对应一个线程，任务在线程中运行，就是在进行内存计算。
面试题2

spark为什么mapreduce计算效率快？

spark的算子丰富，mapreduce算子匮乏，很多复杂的人物需要多个mapreduc进行串联，通过磁盘交互数据

spark可以执行内存迭代，听过形成DAG并基于依赖划分阶段后，在阶段内可以形成内存迭代管道，但是map使用硬盘进行交互的，spark可以使用更多的内存计算而不是磁盘迭代

spark程序的调度流程如图所示

1.driver被构建出来

2.构建spark Context：执行环境入口对象

3.基于DAG调度器构建逻辑任务分配

4.基于任务调度器将逻辑任务分配到各个执行器上干活，并监控他们

5.执行器被任务调度器监控，听从他们的指令工作，并定期汇报工作进度

driver的两个重要组件：DAG调度器和task调度器