转载自：http://www.aboutyun.com/thread-19652-1-1.html

问题导读

1.spark共享变量的作用是什么？
2.什么情况下使用共享变量？
3.如何在程序中使用共享变量？
4.广播变量源码包含哪些内容？

spark编程中，我们经常会遇到使用全局变量，来累加或则使用全局变量。然而对于分布式编程这个却与传统编程有着很大的区别。不可能在程序中声明一个全局变量，在分布式编程中就可以直接使用。因为代码会分发到多台机器，导致我们认为的全局变量失效。那么spark，spark Streaming该如何实现全局变量。

一般情况下，当一个传递给Spark操作(例如map和reduce)的函数在远程节点上面运行时，Spark操作实际上操作的是这个函数所用变量的一个独立副本。这些变量被复制到每台机器上，并且这些变量在远程机器上 的所有更新都不会传递回驱动程序。通常跨任务的读写变量是低效的，但是，Spark还是为两种常见的使用模式提供了两种有限的共享变量：广播变量（broadcast variable）和累加器（accumulator）+

1.概念

1.1 广播变量：

广播可以将变量发送到闭包中，被闭包使用。但是，广播还有一个作用是同步较大数据。比如你有一个IP库，可能有几G，在map操作中，依赖这个ip库。那么，可以通过广播将这个ip库传到闭包中，被并行的任务应用。广播通过两个方面提高数据共享效率：
1，集群中每个节点（物理机器）只有一个副本，默认的闭包是每个任务一个副本；
2，广播传输是通过BT下载模式实现的，也就是P2P下载，在集群多的情况下，可以极大的提高数据传输速率。广播变量修改后，不会反馈到其他节点。

1.2 累加器：

累加器是仅仅被相关操作累加的变量，因此可以在并行中被有效地支持。它可以被用来实现计数器和总和。Spark原生地只支持数字类型的累加器，编程者可以添加新类型的支持。如果创建累加器时指定了名字，可以在Spark的UI界面看到。这有利于理解每个执行阶段的进程。（对于Python还不支持） 
累加器通过对一个初始化了的变量v调用SparkContext.accumulator(v)来创建。在集群上运行的任务可以通过add或者”+=”方法在累加器上进行累加操作。但是，它们不能读取它的值。只有驱动程序能够读取它的值，通过累加器的value方法。

2.如何使用全局变量

2.1 Java版本：

1. package com.Streaming;
2. import org.apache.spark.Accumulator;
3. import org.apache.spark.SparkConf;
4. import org.apache.spark.api.java.JavaPairRDD;
5. import org.apache.spark.api.java.function.Function;
6. import org.apache.spark.broadcast.Broadcast;
7. import org.apache.spark.streaming.Durations;
8. import org.apache.spark.streaming.Time;
9. import org.apache.spark.streaming.api.java.JavaStreamingContext;
10. import org.apache.spark.api.java.function.FlatMapFunction;
11. import org.apache.spark.api.java.function.Function2;
12. import org.apache.spark.api.java.function.PairFunction;
13. import org.apache.spark.streaming.api.java.JavaDStream;
14. import org.apache.spark.streaming.api.java.JavaPairDStream;
15. import org.apache.spark.streaming.api.java.JavaReceiverInputDStream;
16. import scala.Tuple2;
17. import java.util.*;
18. /**
19. * 利用广播进行黑名单过滤！
20. *
21. * 无论是计数器还是广播！都不是想象的那么简单！
22. * 联合使用非常强大！！！绝对是高端应用！
23. *
24. * 如果 联合使用扩展的话，该怎么做！！！
25. *
26. * ？
27. */
28. public class BroadcastAccumulator {
29. /**
30. * 肯定要创建一个广播List
31. *
32. * 在上下文中实例化！
33. */
34. private static volatile Broadcast<List<String>> broadcastList = null;
35. /**
36. * 计数器！
37. * 在上下文中实例化！
38. */
39. private static volatile Accumulator<Integer> accumulator = null;
40. public static void main(String[] args) {
41. SparkConf conf = new SparkConf().setMaster("local[2]").
42. setAppName("WordCountOnlieBroadcast");
43. JavaStreamingContext jsc = new JavaStreamingContext(conf, Durations.seconds(5));
44. /**
45. * 没有action的话，广播并不会发出去！
46. *
47. * 使用broadcast广播黑名单到每个Executor中！
48. */
49. broadcastList = jsc.sc().broadcast(Arrays.asList("Hadoop","Mahout","Hive"));
50. /**
51. * 全局计数器！用于统计在线过滤了多少个黑名单！
52. */
53. accumulator = jsc.sparkContext().accumulator(0,"OnlineBlackListCounter");
54. JavaReceiverInputDStream<String> lines = jsc.socketTextStream("Master", 9999);
55. /**
56. * 这里省去flatmap因为名单是一个个的！
57. */
58. JavaPairDStream<String, Integer> pairs = lines.mapToPair(new PairFunction<String, String, Integer>() {
59. @Override
60. public Tuple2<String, Integer> call(String word) {
61. return new Tuple2<String, Integer>(word, 1);
62. }
63. });
64. JavaPairDStream<String, Integer> wordsCount = pairs.reduceByKey(new Function2<Integer, Integer, Integer>() {
65. @Override
66. public Integer call(Integer v1, Integer v2) {
67. return v1 + v2;
68. }
69. });
70. /**
71. * Funtion里面 前几个参数是 入参。
72. * 后面的出参。
73. * 体现在call方法里面！
74. *
75. * 这里直接基于RDD进行操作了！
76. */
77. wordsCount.foreach(new Function2<JavaPairRDD<String, Integer>, Time, Void>() {
78. @Override
79. public Void call(JavaPairRDD<String, Integer> rdd, Time time) throws Exception {
80. rdd.filter(new Function<Tuple2<String, Integer>, Boolean>() {
81. @Override
82. public Boolean call(Tuple2<String, Integer> wordPair) throws Exception {
83. if (broadcastList.value().contains(wordPair._1)) {
84. /**
85. * accumulator不应该仅仅用来计数。
86. * 可以同时写进数据库或者redis中！
87. */
88. accumulator.add(wordPair._2);
89. return false;
90. }else {
91. return true;
92. }
93. };
94. /**
95. * 这里真的希望 广播和计数器执行的话。要进行一个action操作！
96. */
97. }).collect();
98. System.out.println("广播器里面的值"+broadcastList.value());
99. System.out.println("计时器里面的值"+accumulator.value());
100. return null;
101. }
102. });
103. jsc.start();
104. jsc.awaitTermination();
105. jsc.close();
106. }
107. }

2.2 Scala版本

1. package com.Streaming
2. import java.util
3. import org.apache.spark.streaming.{Duration, StreamingContext}
4. import org.apache.spark.{Accumulable, Accumulator, SparkContext, SparkConf}
5. import org.apache.spark.broadcast.Broadcast
6. /**
7. * Created by lxh on 2016/6/30.
8. */
9. object BroadcastAccumulatorStreaming {
10. /**
11. * 声明一个广播和累加器！
12. */
13. private var broadcastList:Broadcast[List[String]]  = _
14. private var accumulator:Accumulator[Int] = _
15. def main(args: Array[String]) {
16. val sparkConf = new SparkConf().setMaster("local[4]").setAppName("broadcasttest")
17. val sc = new SparkContext(sparkConf)
18. /**
19. * duration是ms
20. */
21. val ssc = new StreamingContext(sc,Duration(2000))
22. // broadcastList = ssc.sparkContext.broadcast(util.Arrays.asList("Hadoop","Spark"))
23. broadcastList = ssc.sparkContext.broadcast(List("Hadoop","Spark"))
24. accumulator= ssc.sparkContext.accumulator(0,"broadcasttest")
25. /**
26. * 获取数据！
27. */
28. val lines = ssc.socketTextStream("localhost",9999)
29. /**
30. * 拿到数据后 怎么处理！
31. *
32. * 1.flatmap把行分割成词。
33. * 2.map把词变成tuple(word,1)
34. * 3.reducebykey累加value
35. * (4.sortBykey排名)
36. * 4.进行过滤。 value是否在累加器中。
37. * 5.打印显示。
38. */
39. val words = lines.flatMap(line => line.split(" "))
40. val wordpair = words.map(word => (word,1))
41. wordpair.filter(record => {broadcastList.value.contains(record._1)})
42. val pair = wordpair.reduceByKey(_+_)
43. /**
44. *这步为什么要先foreachRDD？
45. *
46. * 因为这个pair 是PairDStream<String, Integer>
47. *
48. *   进行foreachRDD是为了？
49. *
50. */
51. /*    pair.foreachRDD(rdd => {
52. rdd.filter(record => {
53. if (broadcastList.value.contains(record._1)) {
54. accumulator.add(1)
55. return true
56. } else {
57. return false
58. }
59. })
60. })*/
61. val filtedpair = pair.filter(record => {
62. if (broadcastList.value.contains(record._1)) {
63. accumulator.add(record._2)
64. true
65. } else {
66. false
67. }
68. }).print
69. println("累加器的值"+accumulator.value)
70. // pair.filter(record => {broadcastList.value.contains(record._1)})
71. /* val keypair = pair.map(pair => (pair._2,pair._1))*/
72. /**
73. * 如果DStream自己没有某个算子操作。就通过转化transform！
74. */
75. /* keypair.transform(rdd => {
76. rdd.sortByKey(false)//TODO
77. })*/
78. pair.print()
79. ssc.start()
80. ssc.awaitTermination()
81. }
82. }

补充：除了上面提到的两种外，还有一个闭包的概念，这里补充下
闭包 与广播变量对比
有两种方式将数据从driver节点发送到worker节点：通过 闭包 和通过 广播变量 。闭包是随着task的组装和分发自动进行的，而广播变量则是需要程序猿手动操作的，具体地可以通过如下方式操作广播变量(假设 sc 为 SparkContext 类型的对象， bc 为 Broadcast 类型的对象)：

可通过 sc.broadcast(xxx) 创建广播变量。
可在各计算节点中(闭包代码中)通过 bc.value 来引用广播的数据。
bc.unpersist() 可将各executor中缓存的广播变量删除，后续再使用时数据将被重新发送。
bc.destroy() 可将广播变量的数据和元数据一同销毁，销毁之后就不能再使用了。
任务闭包包含了任务所需要的代码和数据，如果一个executor数量小于RDD partition的数量，那么每个executor就会得到多个同样的任务闭包，这通常是低效的。而广播变量则只会将数据发送到每个executor一次，并且可以在多个计算操作*享该广播变量，而且广播变量使用了类似于p2p形式的非常高效的广播算法，大大提高了效率。另外，广播变量由spark存储管理模块进行管理，并以MEMORY_AND_DISK级别进行持久化存储。

什么时候用闭包自动分发数据？情况有几种：

数据比较小的时候。
数据已在driver程序中可用。典型用例是常量或者配置参数。
什么时候用广播变量分发数据？情况有几种：

数据比较大的时候(实际上，spark支持非常大的广播变量，甚至广播变量中的元素数超过java/scala中Array的最大长度限制(2G，约21.5亿)都是可以的)。
数据是某种分布式计算结果。典型用例是训练模型等中间计算结果。
当数据或者变量很小的时候，我们可以在Spark程序中直接使用它们，而无需使用广播变量。

对于大的广播变量，序列化优化可以大大提高网络传输效率，参见本文序列化优化部分。

3.广播变量（Broadcast）源码分析

本文基于Spark 1.0源码分析，主要探讨广播变量的初始化、创建、读取以及清除。

类关系
BroadcastManager类中包含一个BroadcastFactory对象的引用。大部分操作通过调用BroadcastFactory中的方法来实现。

BroadcastFactory是一个Trait，有两个直接子类TorrentBroadcastFactory、HttpBroadcastFactory。这两个子类实现了对HttpBroadcast、TorrentBroadcast的封装，而后面两个又同时集成了Broadcast抽象类。

BroadcastManager的初始化
SparkContext初始化时会创建SparkEnv对象env，这个过程中会调用BroadcastManager的构造方法返回一个对象作为env的成员变量存在：

1. val broadcastManager = new BroadcastManager(isDriver, conf, securityManager)

两个工厂类的initialize方法都是对其相应实体类的initialize方法的调用，下面分开两个类来看。

HttpBroadcast的initialize方法

1. def initialize(isDriver: Boolean, conf: SparkConf, securityMgr: SecurityManager) {
2. synchronized {
3. if (!initialized) {
4. bufferSize = conf.getInt("spark.buffer.size", 65536)
5. compress = conf.getBoolean("spark.broadcast.compress", true)
6. securityManager = securityMgr
7. if (isDriver) {
8. createServer(conf)
9. conf.set("spark.httpBroadcast.uri",  serverUri)
10. }
11. serverUri = conf.get("spark.httpBroadcast.uri")
12. cleaner = new MetadataCleaner(MetadataCleanerType.HTTP_BROADCAST, cleanup, conf)
13. compressionCodec = CompressionCodec.createCodec(conf)
14. initialized = true
15. }
16. }
17. }

除了一些变量的初始化外，主要做两件事情，一是createServer（只有在Driver端会做），其次是创建一个MetadataCleaner对象。

createServer

1. private def createServer(conf: SparkConf) {
2. broadcastDir = Utils.createTempDir(Utils.getLocalDir(conf))
3. server = new HttpServer(broadcastDir, securityManager)
4. server.start()
5. serverUri = server.uri
6. logInfo("Broadcast server started at " + serverUri)
7. }

首先创建一个存放广播变量的目录，默认是

1. conf.get("spark.local.dir",  System.getProperty("java.io.tmpdir")).split(',')(0)

即清楚存在吵过一定时长的broadcast文件。在时长未设定（默认情况）时，不清除：

1. if (delaySeconds > 0) {
2. logDebug(
3. "Starting metadata cleaner for " + name + " with delay of " + delaySeconds + " seconds " +
4. "and period of " + periodSeconds + " secs")
5. timer.schedule(task, periodSeconds * 1000, periodSeconds * 1000)
6. }

TorrentBroadcast的initialize方法

1. def initialize(_isDriver: Boolean, conf: SparkConf) {
2. TorrentBroadcast.conf = conf // TODO: we might have to fix it in tests
3. synchronized {
4. if (!initialized) {
5. initialized = true
6. }
7. }
8. }

Torrent在此处没做什么，这也可以看出和Http的区别，Torrent的处理方式就是p2p，去中心化。而Http是中心化服务，需要启动服务来接受请求。

创建broadcast变量
调用SparkContext中的 def broadcast[T: ClassTag](value: T): Broadcast[T]方法来初始化一个广播变量，实现如下：

1. def broadcast[T: ClassTag](value: T): Broadcast[T] = {
2. val bc = env.broadcastManager.newBroadcast[T](value, isLocal)
3. cleaner.foreach(_.registerBroadcastForCleanup(bc))
4. bc
5. }

1.将变量id和值放入blockManager，但并不通知master

2.调用伴生对象的write方法

1. def write(id: Long, value: Any) {
2. val file = getFile(id)
3. val out: OutputStream = {
4. if (compress) {
5. compressionCodec.compressedOutputStream(new FileOutputStream(file))
6. } else {
7. new BufferedOutputStream(new FileOutputStream(file), bufferSize)
8. }
9. }
10. val ser = SparkEnv.get.serializer.newInstance()
11. val serOut = ser.serializeStream(out)
12. serOut.writeObject(value)
13. serOut.close()
14. files += file
15. }

write方法将对象值按照指定的压缩、序列化写入指定的文件。这个文件所在的目录即是HttpServer的资源目录，文件名和id的对应关系为：

1. case class BroadcastBlockId(broadcastId: Long, field: String = "") extends BlockId {
2. def name = "broadcast_" + broadcastId + (if (field == "") "" else "_" + field)
3. }

做两件事情，第一步和Http一样，第二步：

1. def sendBroadcast() {
2. val tInfo = TorrentBroadcast.blockifyObject(value_)
3. totalBlocks = tInfo.totalBlocks
4. totalBytes = tInfo.totalBytes
5. hasBlocks = tInfo.totalBlocks
6. // Store meta-info
7. val metaId = BroadcastBlockId(id, "meta")
8. val metaInfo = TorrentInfo(null, totalBlocks, totalBytes)
9. TorrentBroadcast.synchronized {
10. SparkEnv.get.blockManager.putSingle(
11. metaId, metaInfo, StorageLevel.MEMORY_AND_DISK, tellMaster = true)
12. }
13. // Store individual pieces
14. for (i <- 0 until totalBlocks) {
15. val pieceId = BroadcastBlockId(id, "piece" + i)
16. TorrentBroadcast.synchronized {
17. SparkEnv.get.blockManager.putSingle(
18. pieceId, tInfo.arrayOfBlocks(i), StorageLevel.MEMORY_AND_DISK, tellMaster = true)
19. }
20. }
21. }

可以看出，先将元数据信息缓存到blockManager，再将块信息缓存过去。开头可以看到有一个分块动作，是调用伴生对象的blockifyObject方法：

1. def blockifyObject[T](obj: T): TorrentInfo

首先查看blockManager中是否已有，如有则直接取值，否则调用伴生对象的read方法进行读取：

1. def read[T: ClassTag](id: Long): T = {
2. logDebug("broadcast read server: " +  serverUri + " id: broadcast-" + id)
3. val url = serverUri + "/" + BroadcastBlockId(id).name
4. var uc: URLConnection = null
5. if (securityManager.isAuthenticationEnabled()) {
6. logDebug("broadcast security enabled")
7. val newuri = Utils.constructURIForAuthentication(new URI(url), securityManager)
8. uc = newuri.toURL.openConnection()
9. uc.setAllowUserInteraction(false)
10. } else {
11. logDebug("broadcast not using security")
12. uc = new URL(url).openConnection()
13. }
14. val in = {
15. uc.setReadTimeout(httpReadTimeout)
16. val inputStream = uc.getInputStream
17. if (compress) {
18. compressionCodec.compressedInputStream(inputStream)
19. } else {
20. new BufferedInputStream(inputStream, bufferSize)
21. }
22. }
23. val ser = SparkEnv.get.serializer.newInstance()
24. val serIn = ser.deserializeStream(in)
25. val obj = serIn.readObject[T]()
26. serIn.close()
27. obj
28. }

使用serverUri和block id对应的文件名直接开启一个HttpConnection将中心服务器上相应的数据取过来，使用配置的压缩和序列化机制进行解压和反序列化。

这里可以看到，所有需要用到广播变量值的executor都需要去driver上pull广播变量的内容。

取到值后，缓存到blockManager中，以便下次使用。

TorrentBroadcast的反序列化

1. private def readObject(in: ObjectInputStream) {
2. in.defaultReadObject()
3. TorrentBroadcast.synchronized {
4. SparkEnv.get.blockManager.getSingle(broadcastId) match {
5. case Some(x) =>
6. value_ = x.asInstanceOf[T]
7. case None =>
8. val start = System.nanoTime
9. logInfo("Started reading broadcast variable " + id)
10. // Initialize @transient variables that will receive garbage values from the master.
11. resetWorkerVariables()
12. if (receiveBroadcast()) {
13. value_ = TorrentBroadcast.unBlockifyObject[T](arrayOfBlocks, totalBytes, totalBlocks)
14. /* Store the merged copy in cache so that the next worker doesn't need to rebuild it.
15. * This creates a trade-off between memory usage and latency. Storing copy doubles
16. * the memory footprint; not storing doubles deserialization cost. Also,
17. * this does not need to be reported to BlockManagerMaster since other executors
18. * does not need to access this block (they only need to fetch the chunks,
19. * which are reported).
20. */
21. SparkEnv.get.blockManager.putSingle(
22. broadcastId, value_, StorageLevel.MEMORY_AND_DISK, tellMaster = false)
23. // Remove arrayOfBlocks from memory once value_ is on local cache
24. resetWorkerVariables()
25. } else {
26. logError("Reading broadcast variable " + id + " failed")
27. }
28. val time = (System.nanoTime - start) / 1e9
29. logInfo("Reading broadcast variable " + id + " took " + time + " s")
30. }
31. }
32. }

和写数据一样，同样是分成两个部分，首先取元数据信息，再根据元数据信息读取实际的block信息。注意这里都是从blockManager中读取的，这里贴出blockManager.getSingle的分析。

调用栈中最后到BlockManager.doGetRemote方法，中间有一条语句：

1. val locations = Random.shuffle(master.getLocations(blockId))

即将存有这个block的节点信息随机打乱，然后使用：

1. val data = BlockManagerWorker.syncGetBlock(
2. GetBlock(blockId), ConnectionManagerId(loc.host, loc.port))

等出现广播变量被弱引用时（关于弱引用，可以参考：http://blog.csdn.net/lyfi01/article/details/6415726），则会执行

1. cleaner.foreach(_.start())

doCleanupBroadcast调用以下语句：

1. broadcastManager.unbroadcast(broadcastId, true, blocking)

1是删除blockManager中的缓存，2是删除本地持久化的文件

TorrentBroadcast中的变量清除

1. def unpersist(id:Long, removeFromDriver:Boolean, blocking:Boolean)=synchronized{
2. SparkEnv.get.blockManager.master.removeBroadcast(id, removeFromDriver, blocking)
3. }

上一篇: 无